Qu’est-ce qu’un agent d’IA vertical ?

Parfois appelé « agent spécifique à un domaine » ou « agent axé sur une fonction », un agent d’IA vertical est un système d’intelligence artificielle spécialement optimisé pour un secteur d’activité particulier. Ces agents s’avèrent utiles dans des secteurs tels que la santé ou la banque. Ils sont également particulièrement adaptés à certaines fonctions métier spécifiques, comme le service client ou la gestion de la chaîne d’approvisionnement.

Alors que la plupart des IA à usage général sont conçues pour traiter un large éventail de tâches dans de nombreux domaines, ou un volume élevé de requêtes générales, les agents verticaux se distinguent de ce modèle. Ils utilisent des données ciblées et une expertise spécialisée pour résoudre les problèmes de manière plus précise.

À l’instar de la plupart des agents, ils contribuent à rationaliser les workflows, à automatiser les tâches répétitives et à éclairer la prise de décision. Mais leur véritable valeur réside dans l’intégration de règles sectorielles, d’informations de conformité ou d’une terminologie et d’un jargon propres à un secteur, qui font défaut aux modèles généraux.

En combinant des technologies d’IA avancées avec des connaissances spécifiques à un domaine, les agents d’IA verticaux répondent aux besoins particuliers de secteurs spécifiques et offrent davantage de précision et de spécialisation.

Les agents d’IA verticaux se distinguent de l’IA à usage général par leur orientation et leurs fonctions. Alors que les systèmes d’IA à usage général, tels que ChatGPT d’OpenAI et d’autres modèles de transformeurs génératifs pré-entraînés (GPT en anglais pour « generative pre-trained transformers »), traitent un large éventail de tâches, les agents d’IA verticaux sont destinés à des secteurs ou à des fonctions spécifiques. Cette spécialisation leur permet d’offrir des résultats plus précis et plus pertinents pour les cas d’utilisation ciblés.

Les progrès récents en matière de grands modèles de langage (LLM), de cadres open source et de technologies cloud ont accéléré l’évolution des agents d’IA verticaux. Ces avancées ont donné naissance à un écosystème de fournisseurs (comprenant à la fois de grandes entreprises d’IA et des start-ups émergentes dans ce domaine) qui rendent ces agents plus accessibles et plus évolutifs. Cette approche favorise une adoption croissante dans un large éventail de secteurs.

Du diagnostic de pathologies médicales dans le secteur de la santé à l’optimisation des stocks dans la vente au détail, les agents d’IA verticaux sont spécialement conçus pour relever des défis complexes et propres à un domaine donné, qui exigent un haut degré de spécialisation. Ils peuvent être mis en œuvre à différentes échelles : de l’exécution de tâches précises pouvant être automatisées de manière simple, à des workflows de bout en bout plus complexes nécessitant davantage de coordination et de sophistication. Voici quelques exemples d’utilisation :

Dotés d’une connaissance approfondie de leur domaine, les agents d’IA verticaux fournissent des analyses et des recommandations fondées sur les données. Cette caractéristique les rend indispensables à la prise de décision dans des environnements complexes ou à enjeux élevés. En analysant de vastes jeux de données et en identifiant des tendances, ils aident les entreprises à résoudre des problèmes hautement spécialisés, en particulier dans des domaines complexes où l’expertise sectorielle est essentielle.

Exemple : dans le secteur de la fabrication, les agents d’IA verticaux analysent les données de production afin d’optimiser les chaînes d’approvisionnement et de prévoir les pannes d’équipement. En identifiant les insuffisances et en anticipant les problèmes potentiels, ces agents aident les fabricants à améliorer leur efficacité opérationnelle et à réduire les temps d’arrêt. De même, dans le secteur agricole, les agents d’IA verticaux surveillent la santé des cultures à l’aide d’images satellites et suggèrent des interventions visant à maximiser les rendements et à minimiser le gaspillage.

Les entreprises ont recours à des agents d’IA verticaux pour automatiser des tâches répétitives ou des travaux chronophages au sein de secteurs spécifiques. Ces agents prennent en charge des tâches administratives qui, sans cela, exigeraient un effort humain considérable. Ainsi, ils réduisent les erreurs humaines et permettent au personnel de se concentrer sur des activités à plus forte valeur ajoutée. L’automatisation rendue possible par les agents d’IA verticaux contribue à rationaliser les workflows et à améliorer l’efficacité.

Exemple : dans le secteur de la santé, les agents d’IA verticaux apportent leur aide pour le codage médical, les résumés de traitement et la prise de rendez-vous. En automatisant ces tâches administratives, les professionnels de santé peuvent consacrer davantage de temps aux soins des patients tout en garantissant précision et conformité. Dans le secteur financier, les agents d’IA verticaux automatisent le suivi de la conformité et l’évaluation des risques, aidant ainsi les entreprises à respecter les réglementations tout en réduisant le temps et les ressources nécessaires à la supervision manuelle.

Les agents d’IA verticaux offrent des expériences sur mesure aux clients en analysant leur comportement et leurs préférences dans des contextes spécifiques. Ils rationalisent les conversations, orientent les utilisateurs vers l’assistance appropriée et prennent parfois des mesures (telles que l’émission de remboursements ou la mise à jour des paramètres de compte) au nom des utilisateurs. Ces agents sont souvent intégrés à des outils de chat en direct ou à des systèmes de gestion de la relation client (CRM) tels que Salesforce afin de favoriser la satisfaction et la fidélité des clients.

Les agents d’IA verticaux peuvent être utilisés pour soutenir la recherche et le développement dans des domaines spécialisés tels que l’industrie pharmaceutique ou l’ingénierie. En prenant en charge des calculs complexes et l’analyse de données, ils permettent des avancées qui étaient auparavant impossibles ou dont la réalisation aurait pris beaucoup trop de temps.

Exemple : l’équipe de recherche en santé numérique d’IBM a mis au point une plateforme multimodale appelée « Health Guardian » qui intègre des données provenant d’applications mobiles, d’appareils portables et de capteurs afin de générer des modèles prédictifs pour les soins aux patients.

Dans le cadre de la recherche, cet agent a été utilisé pour évaluer la mobilité des patients et leur état de santé mentale, démontrant ainsi comment une IA spécifique à un domaine peut fournir des informations nuancées dans des contextes de soins concrets. Dans le secteur pharmaceutique, les agents d’IA verticaux analysent de vastes jeux de données afin d’identifier des médicaments potentiels, accélérant ainsi le développement de nouveaux traitements.

Dans des environnements dynamiques, les agents d’IA verticaux peuvent surveiller divers aspects, tels que les performances du réseau, et suggérer des ajustements si nécessaire. Ils utilisent souvent des pipelines de données en continu et des boucles de rétroaction pour adapter leurs actions en fonction des informations fournies en temps réel. Leur capacité à traiter les données et à agir en temps réel les rend indispensables dans des secteurs tels que les transports ou la sécurité informatique, où le timing est primordial.

Exemple : dans les opérations industrielles, les agents d’IA verticaux surveillent les performances des équipements à l’aide des données issues des appareils IdO (Internet des objets) et des journaux de maintenance. Ils prédisent les défaillances potentielles des composants et optimisent le flux des stocks, garantissant ainsi un fonctionnement plus fluide et minimisant les perturbations. En matière de sécurité informatique, les agents d’IA verticaux peuvent détecter les menaces et y répondre en temps réel, renforçant ainsi la fiabilité des systèmes et prévenant les violations.

Dans la banque, l’assurance ou d’autres secteurs fortement réglementés, les agents d’IA verticaux aident les entreprises à se conformer à des règles et réglementations complexes. Cette approche réduit les risques juridiques et économise du temps et des ressources aux entreprises.

Exemple : dans le secteur financier, les agents d’IA verticaux surveillent les transactions afin de détecter toute activité suspecte, garantissant ainsi le respect de la réglementation en matière de lutte contre le blanchiment d’argent. Ils contribuent également à l’évaluation des risques et à la détection des fraudes en analysant les rapports de solvabilité et les historiques de transactions. Les entreprises de fintech ont parfois recours à ces agents pour évaluer automatiquement les demandes de prêt et tenir à jour des pistes d’audit conformément à la réglementation.

Grâce à un entraînement sur des langages de programmation ou des cadres spécifiques, les agents d’IA verticaux aident les développeurs à écrire du code, à générer de la documentation et à repérer les bogues ou les incohérences. Ils peuvent également orchestrer des workflows de test complexes pour un contrôle qualité plus rapide et plus cohérent.

Exemple : les équipes de développement logiciel utilisent des agents d’IA verticaux pour mettre à jour ou réécrire automatiquement du code en temps réel, ce qui accélère le développement et réduit les erreurs. Ces agents rationalisent également les workflows de test, garantissant une qualité constante des versions logicielles et accélérant les cycles de déploiement.

Dans le domaine juridique, les agents d’IA verticaux exigent un haut degré de précision, d’explicabilité et de conformité aux normes juridiques. Ils interviennent dans des tâches telles que l’examen de documents, l’analyse de contrats et la recherche réglementaire, permettant ainsi aux équipes de gagner du temps et de réduire leurs coûts.

Exemple : certains cabinets d’avocats utilisent des agents juridiques alimentés par l’IA pour rédiger des documents et analyser la jurisprudence. Basés sur des modèles de fondation affinés à l’aide de connaissances juridiques, ces outils fonctionnent derrière des pare-feux sécurisés afin de garantir la confidentialité des données et la conformité.

Les agents d’IA verticaux collectent des données, les analysent à l’aide d’algorithmes spécialisés et en extraient des informations pour formuler des recommandations ou effectuer des tâches. En tant qu’outils agentiques, ils exécutent des tâches en plusieurs étapes, prennent des décisions et interagissent avec des interfaces de programmation d’application (API) ou d’autres agents.

La plupart des agents d’IA verticaux sont développés à partir de modèles de fondation à usage général, tels que le GPT d’OpenAI ou des modèles open source. Ils sont ensuite affinés, ajustés en fonction d’instructions spécifiques ou adaptés à l’aide de la génération augmentée de récupération (RAG) afin de se spécialiser dans un domaine particulier. Ces agents s’améliorent souvent au fil du temps en apprenant à partir de nouvelles données et de retours d’expérience, ce qui leur permet de s’adapter à des conditions changeantes ou à l’évolution des exigences du secteur.

Voici les principaux éléments sur lesquels reposent ces agents :

Les agents d’IA verticaux s’appuient sur de vastes jeux de données de haute qualité, directement liés au secteur ou à la tâche pour laquelle ils sont conçus. Les entreprises collectent des données provenant de diverses sources, telles que des archives historiques, des entrées en temps réel ou des bases de données externes. De plus en plus, les agents d’IA verticaux sont multimodaux, ce qui signifie qu’ils peuvent comprendre et combiner différents types de texte, d’images, de données de capteurs et d’entrées vocales.

La qualité et la pertinence des données sélectionnées déterminent la précision et l’efficacité des agents. Par exemple, dans le secteur de la santé, les données doivent être exhaustives (notamment en couvrant la diversité des caractéristiques démographiques des patients) afin de garantir des diagnostics fiables.

Avant d’être utilisées, les données sont soumises à des étapes de prétraitement telles que le nettoyage, la normalisation et l’extraction de caractéristiques afin de s’assurer de leur utilisabilité par les modèles d’IA. De plus, dans les secteurs réglementés, elles doivent également respecter des normes strictes en matière de confidentialité et de sécurité (HIPAA ou RGPD par exemple).

Les agents d’IA verticaux utilisent des algorithmes adaptés aux besoins de leur domaine. Par exemple, un agent d’IA juridique peut recourir au traitement automatique du langage naturel (TALN) pour analyser des contrats, tandis qu’un agent d’IA agricole peut employer la vision par ordinateur pour surveiller la santé des cultures à l’aide d’images satellites. Grâce à des techniques avancées et à des connaissances spécialisées dans son domaine, l’agent est en mesure de mieux comprendre le contexte dans lequel il opère.

Les modèles de machine learning (ML) qui forment le cœur des agents d’IA verticaux sont entraînés à partir de données spécifiques à un domaine afin d’acquérir une expertise. Ils apprennent des schémas, des relations et des règles à partir de ces données pour accomplir efficacement leurs tâches.

Ils recourent à l’apprentissage supervisé (dans lequel les données d’entraînement sont étiquetées), à l’apprentissage non supervisé (dans lequel ils identifient eux-mêmes des schémas) ou à l’apprentissage par renforcement, particulièrement utile pour les tâches impliquant une prise de décision à long terme, telles que l’optimisation des chaînes d’approvisionnement.

Les entreprises intègrent les agents d’IA verticaux aux logiciels, matériels ou workflows existants au sein de leur secteur d’activité cible. Par exemple, un agent d’IA dédié au secteur de la fabrication peut se connecter à des capteurs IdO installés sur les équipements d’usine, tandis qu’un agent d’IA dédié à la vente au détail peut s’intégrer à des plateformes d’e-commerce.

Les agents d’IA verticaux se connectent à des outils existants tels que les systèmes de gestion de la relation client (CRM) et des dossiers de santé numériques (DSN), les systèmes de planification, les systèmes de chaîne d’approvisionnement ou les bases de données financières. Ces connexions s’effectuent généralement via des API sécurisées, qui permettent à ces agents de lire les données, de les modifier et d’interagir avec elles de manière contrôlée.

Plutôt que de se contenter de répondre à des questions, de nombreux agents verticaux sont conçus pour exécuter des workflows en plusieurs étapes, souvent de manière autonome. Cette utilisation de l’IA agentique nécessite un ensemble de composants coordonnés :

• Les planificateurs décomposent les objectifs complexes en tâches plus petites.
• Les exécutants effectuent les étapes individuelles, en faisant souvent appel à des outils ou systèmes externes.
• Les modules de mémoire suivent la progression et le contexte au fil du temps.
• Les modules de récupération accèdent aux informations pertinentes selon les besoins, à partir de bases de données ou de référentiels de documents.

Ensemble, ces composants permettent aux agents de fonctionner de manière structurée et orientée vers des objectifs pour la résolution de problèmes et l’exécution de tâches complexes. Afin de prendre en charge des tâches complexes en plusieurs étapes, ces agents peuvent conserver en mémoire leurs interactions passées, ce qui les aide à maintenir le contexte au fil du temps.

Bien que les agents d’IA verticaux disposent d’une grande autonomie, ils nécessitent tout de même une supervision humaine, en particulier dans les domaines à enjeux élevés ou fortement réglementés. Cela signifie que des opérateurs humains peuvent intervenir lorsque les agents sont confrontés à des incertitudes ou à des questions sensibles.

Outre l’intervention humaine, les agents chargés de tâches sensibles peuvent également fonctionner dans le cadre de dispositifs de gouvernance ou de conformité. Ces derniers comprennent notamment des journaux d’audit, des contrôles d’accès et des outils d’explicabilité qui permettent aux utilisateurs de comprendre pourquoi les agents ont agi d’une certaine manière. Les mécanismes de retour d’information intégrés aux agents d’IA verticaux leur permettent d’apprendre de leur environnement, ce qui favorise leur adaptabilité et les aide à s’améliorer au fil du temps.

Les agents d’IA verticaux fournissent des solutions hautement spécialisées, adaptées à des secteurs spécifiques. Leur expertise approfondie du domaine garantit précision et pertinence, les rendant utiles pour certaines tâches, notamment les diagnostics médicaux, la détection des fraudes ou l’optimisation de la chaîne d’approvisionnement.

En automatisant les tâches répétitives et en réduisant les erreurs humaines, ils améliorent l’efficacité et rationalisent les workflows, contribuant ainsi à créer un avantage concurrentiel. Au-delà de l’efficacité, les agents d’IA verticaux sont particulièrement adaptés à la création d’expériences personnalisées et peuvent accélérer l’innovation et le développement dans des domaines complexes, fondés sur les données.

Ils présentent toutefois certains inconvénients. Si leur spécialisation est un atout, elle les rend également moins polyvalents que les systèmes d’IA à usage général. L’un des principaux problèmes réside dans leur dépendance à l’égard de vastes jeux de données de haute qualité et spécifiques à un domaine, qui peuvent être difficiles à obtenir et à normaliser. De plus, leur développement et leur apprentissage peuvent nécessiter d’importantes ressources et exigent souvent une maintenance et des mises à jour continues pour rester pertinents.

Cette maintenance peut avoir une incidence sur la tarification et les modèles économiques des fournisseurs, qui vont des contrats d’entreprise globaux aux abonnements SaaS (software-as-a-service) basés sur l’utilisation. Et comme pour toute technologie d’IA, il convient d’aborder avec soin des questions telles que la confidentialité des données, la conformité réglementaire et les préoccupations éthiques.