Les agents d’IA générative autonomes : en cours de développement 

Les agents autonomes d’IA générative, ou IA agentique, pourraient augmenter la productivité des collaborateurs spécialisés et rendre les processus de travail de toutes sortes plus efficaces. Cependant, l’aspect « autonome » pourrait nécessiter du temps avant une adoption généralisée.  

Les agents d'IA générative autonomes, également connus sous le nom d'« IA agentique », sont des solutions logicielles conçues pour accomplir des tâches complexes et atteindre des objectifs avec peu, voire aucune, supervision humaine. Contrairement aux chatbots et aux copilotes actuels, souvent désignés par le terme d'« agents », l'IA agentique a le potentiel d'accroître la productivité des experts métiers et d'automatiser des processus en plusieurs étapes dans toutes les fonctions de l'entreprise. 

Deloitte prévoit qu'en 2025, 25 % des entreprises utilisant l'IA générative lanceront des projets pilotes ou des preuves de concept d'IA agentique, et ce chiffre atteindra 50 % en 2027.¹ Certaines applications basées sur cette technologie pourraient être véritablement intégrées aux processus de travail dès 2025, notamment à partir de la seconde moitié de l'année, dans certains secteurs et cas d'utilisation spécifiques. 

Leurs efforts sont soutenus par des start-up et des entreprises technologiques bien établies, qui développent l'IA agentique en voyant en elle un potentiel de croissance des revenus. Au cours des deux dernières années, les investisseurs ont injecté plus de 2 milliards de dollars dans des start-up spécialisées en IA agentique, concentrant leurs investissements sur les entreprises ciblant le marché des entreprises.² Parallèlement, de nombreuses entreprises technologiques, y compris des fournisseurs de cloud, développent leurs propres solutions d'IA agentique. Ils procèdent également à des acquisitions stratégiques et accordent de plus en plus de licences de technologies d'IA agentique à des start-up, recrutant leurs employés plutôt que d'acheter directement les sociétés.³ 

L'IA agentique met « l’agence » dans l’agent 

Les chatbots et copilotes de GenAI sont très sophistiqués : ils peuvent interagir de manière intuitive avec les humains, synthétiser des informations complexes et générer du contenu. Cependant, ils ne possèdent pas le même niveau d'initiative et d'autonomie que l'IA agentique promet. Bien que les chatbots et les agents partagent une base commune (les modèles de langage étendus, ou LLM), des technologies et techniques supplémentaires permettent aux agents de fonctionner de manière indépendante, de décomposer une tâche en étapes distinctes, et d'exécuter leur travail avec un minimum de supervision ou d'intervention humaine. Les agents d'IA ne se contentent pas d'interagir : ils raisonnent et prennent des décisions de manière plus efficace au nom de l'utilisateur. 

Comme son nom l'indique, l'IA agentique possède une « agentivité » : la capacité d'agir et de choisir ses actions à entreprendre.⁴ Cela implique également une autonomie, c'est-à-dire le pouvoir d'agir et de prendre des décisions de manière indépendante.⁵ Appliqués à l'IA agentique, ces concepts permettent de dire que cette technologie peut agir de manière autonome pour planifier, exécuter et atteindre un objectif, devenant ainsi véritablement « agentique ».⁶ Si les objectifs sont définis par les humains, ce sont les agents qui déterminent eux-mêmes la manière de les atteindre.  

Un exemple peut illustrer la différence entre l’IA agentique, les copilotes et les chatbots. Les copilotes qui assistent les développeurs de logiciels en testant et en suggérant du code comptent parmi les cas d’usage les plus réussis de l’IA générative à ce jour.⁷ Ils peuvent rendre les ingénieurs logiciels expérimentés plus productifs et améliorer l'efficacité des développeurs juniors. Capables de convertir des instructions en langage naturel (dans plusieurs langues) en suggestions de code et de tester sa cohérence, ces copilotes ne font cependant que répondre aux instructions (prompts) des ingénieurs sans faire preuve d'agentivité. Avec l'IA agentique, l'« ingénieur logiciel » franchit une étape supplémentaire. Un développeur humain peut soumettre des idées de logiciel sous forme de prompts, et l'« ingénieur logiciel » de l'IA agentique transforme ces idées en code exécutable, automatisant ainsi plusieurs étapes du processus de développement logiciel. 

Par exemple, Cognition Software a lancé « Devin » en mars 2024 avec pour objectif de créer un ingénieur logiciel autonome capable de raisonner, de planifier et d'accomplir des tâches d'ingénierie complexes nécessitant des milliers de décisions.⁸ Devin a été conçu pour réaliser des tâches de programmation de manière autonome, à partir de prompts en langage naturel fournis par des programmeurs humains. Ces tâches incluent la conception d'applications complètes, le test et la correction de bases de code, ainsi que l'entraînement et l'ajustement des modèles de langage étendus (LLM).⁹ Des concurrents tels que Codeium, qui se concentre sur le développement de logiciels pour les entreprises, ainsi que des versions open-source de Devin, ont également été lancés sur le marché à l'été 2024.¹⁰ 

Les ingénieurs logiciels d'IA agentique partagent des capacités et des vulnérabilités similaires¹¹ : ils commettent encore trop d'erreurs pour réaliser des tâches, qu'elles soient complètes ou partielles, sans supervision humaine. Lors d'un récent test de référence, Devin a réussi à résoudre près de 14 % des problèmes GitHub issus de dépôts de code réels, soit deux fois plus que les chatbots basés sur des LLM¹². Il n'est cependant pas encore entièrement autonome. Les grandes entreprises technologiques¹³ et les start-up s'efforcent de rendre les ingénieurs logiciels d'IA agentique plus autonomes et plus fiables, afin que les développeurs humains (et leurs employeurs) puissent leur confier une partie de leur charge de travail (voir figure 1). 

Augmenter et amplifier la productivité du travail 

Les ingénieurs logiciels d'IA agentique ne sont qu'un exemple parmi d'autres de la manière dont les agents d'IA générative autonomes pourraient transformer la façon dont le travail est effectué (voir la partie « Des cas d’utilisation prometteurs d’IA agentique » ci-dessous). À mesure que l'IA agentique s'améliore, son impact pourrait devenir considérable. Aux États-Unis, il y a plus de 100 millions de collaborateurs expérimentés, et plus de 1,25 milliard dans le monde entier. ¹⁴ La productivité totale des facteurs¹⁵, un indicateur utile pour le « travail intellectuel », a stagné aux États-Unis, avec une croissance de 0,8 % entre 1987 et 2023, et seulement de 0,5 % entre 2019 et 2023.¹⁶ Il en va de même dans la plupart des pays de l'OCDE.¹⁷ Les tentatives d'augmenter la productivité du travail intellectuel par l'automatisation des tâches n'ont rencontré qu'un succès partiel. De nombreuses entreprises manquent également d'experts métiers. Les pénuries de chargés de relation client, d'ingénieurs en semi-conducteurs et de nombreux autres profils se font toujours ressentir. De plus, les nouveaux collaborateurs doivent être opérationnels dès leur arrivée. 

Les systèmes experts et l'automatisation des processus robotisés (RPA) peuvent rencontrer des difficultés lorsque les processus sont ambigus ou comportent plusieurs étapes. De leur côté, les systèmes d'apprentissage automatique traditionnels exigent un entraînement intensif, spécifiquement adapté aux objectifs définis. En se basant sur les modèles de LLM, l'IA agentique procure une plus grande flexibilité et peut répondre à une gamme d'utilisations bien plus étendue que l'apprentissage automatique ou profond. 

L'IA agentique a le potentiel de faire progresser considérablement les capacités des LLM et pourrait justifier les investissements des entreprises dans l'IA générative. Le déploiement généralisé des outils d'IA générative a rapidement capté l'attention des dirigeants, qui ont facilement imaginé comment leurs organisations pourraient exploiter cette technologie. Toutefois, la valeur commerciale issue de l'IA générative reste souvent difficile à identifier. 

Les défis rencontrés au niveau des bases de données, des politiques de risque et de gouvernance, ainsi que les pénuries de talents, compliquent le déploiement à grande échelle des initiatives d'IA générative pour les entreprises.¹⁸ Seuls 30 % des projets pilotes de GenAI aboutissent à une mise en production complète. ¹⁹ Le manque de confiance dans les résultats de l'IA générative et les conséquences potentielles de ses erreurs dans le « monde réel » incitent les dirigeants à faire preuve de prudence.²⁰  

Les entreprises qui développent et mettent en œuvre l'IA agentique doivent prendre en compte les défis associés à l'IA générative, ainsi que la complexité liée à la création de bots capables de raisonner, d'agir, de collaborer et de créer. Plus important encore, les agents d'IA générative, quelle que soit leur nature, doivent être fiables pour être utilisés en entreprise : réussir leur tâche la plupart du temps ne suffit pas. Certains cas d'utilisation et d'application datant de fin 2024 montrent des signes encourageants de fiabilité suffisante pour une adoption au début de l’année 2025. 

Cependant, le retour sur investissement potentiel en vaut la peine, et les premiers résultats semblent prometteurs. Les entreprises apprennent à améliorer les performances des LLM en les combinant avec d'autres technologies d'IA et techniques de formation. Bien que l'objectif ultime soit de développer des agents autonomes et fiables, des progrès graduels en termes de précision et d'autonomie pourraient aider les entreprises à atteindre leurs premiers objectifs de productivité et d'efficacité en matière d'IA générative.²¹ Avec leur large éventail d'applications, tant horizontales que verticales, et des objectifs commerciaux clairs, l'IA agentique se rapproche davantage des solutions d'IA générative que les dirigeants avaient initialement espérées. 

L’IA agentique expliquée : un aperçu des capacités et évolutions  

Les agents d'IA générative peuvent décomposer une tâche complexe en une série d'étapes, les exécuter et surmonter les obstacles inattendus. Ils sont capables de percevoir leur environnement, qu'il soit virtuel, physique, ou une combinaison des deux, selon le cas d'utilisation. Pour accomplir une tâche, l'IA agentique peut déterminer les actions à entreprendre, solliciter l'assistance d'outils, de bases de données et d'autres agents, et fournir des résultats basés sur les objectifs fixés par les humains. 

L'IA agentique est une technologie émergente qui continue d'évoluer, mais elle partage certaines caractéristiques et capacités avec l'IA générative : 

• Basée sur des modèles fondamentaux : les modèles fondamentaux, tels que les LLM, permettent à l’IA agentique de raisonner, d’analyser et de s’adapter à des processus de travail complexes et imprévisibles. Cela la rend plus flexible que l’automatisation des processus robotisés (RPA) et les systèmes experts. Les LLM s’améliorent rapidement, avec des avancées récentes dans le raisonnement et la capacité à décomposer les tâches en étapes plus petites.²² Cependant, les modèles fondamentaux seuls ne peuvent pas interagir avec leur environnement, prendre des décisions ou exécuter des tâches.²³ Ils doivent être complétés par d’autres technologies et capacités.  
• Agit de manière autonome : bien que le degré d’autonomie varie, l’IA agentique peut être formée pour planifier et exécuter des tâches complexes en grande partie de manière autonome. En introduisant des tokens de raisonnement, les modèles de types « chaîne de pensée » peuvent résoudre des défis plus complexes que les LLM précédents. Ces modèles sont plus lents à répondre, mais ils sont plus réfléchis dans leur manière de raisonner face à un problème. Ils peuvent corriger leurs propres erreurs et montrer les étapes qu’ils ont suivies pour parvenir à une solution.²⁴ 
• Perçoit l’environnement : l’IA agentique peut percevoir l’environnement, traiter les informations et comprendre le contexte des tâches qui lui sont confiées.²⁵ L’IA agentique avancée peut traiter des données multimodales, telles que des vidéos, des images, des audios, des textes et des chiffres.  
• Utilise des outils : l’IA agentique interagit avec des outils et des systèmes pour accomplir des tâches, tels que des logiciels, des applications d’entreprise, et Internet.  
• Orchestre : l’IA agentique peut diriger la participation d’autres systèmes et robots pour accomplir une tâche. Dans le cadre des systèmes multi-agents, cela signifie collaborer avec d’autres agents autonomes d’IA générative.  
• Accède à la mémoire : les LLM sont sans état. Chaque interaction est traitée indépendamment, et l’information n’est pas conservée une fois l’interaction terminée. Avec l’ajout de mécanismes de récupération et de bases de données, l’IA agentique peut accéder à la mémoire à court terme pour maintenir le contexte lors de l’exécution d’une tâche spécifique, et à la mémoire à long terme pour apprendre et s’améliorer à partir de l’expérience.²⁶ 

« Les start-up et les grandes entreprises technologiques développent des systèmes multi-agents d'IA générative, incluant des outils permettant aux organisations de créer leurs propres agents personnalisés. » 

Certains des modèles les plus récents utilisent des fonctions de « chaîne de pensée » qui, bien que plus lentes et plus réfléchies que les modèles à grande échelle précédents, permettent de raisonner à un haut niveau sur des problèmes complexes.²⁷ L'analyse de données multimodales peut rendre l'IA agentique plus flexible en élargissant les types de données qu'elle peut interpréter et produire. L'IA multimodale démontre également que l'IA agentique peut être encore plus puissante lorsqu'elle est combinée avec d'autres technologies d'IA, telles que la vision par ordinateur (reconnaissance d'images), ainsi que la transcription et la traduction.²⁸ Comme les agents eux-mêmes, l'IA multimodale est encore en développement. 

De véritables systèmes multi-agents, où le travail est orchestré entre un réseau d'agents autonomes, sont en cours de développement, avec certains pilotes prévus pour fin 2024.²⁹ Les modèles multi-agents surpassent souvent les systèmes à modèle unique en répartissant les tâches, notamment dans des environnements complexes.³⁰ Les start-up et les grandes entreprises technologiques développent des systèmes d'IA générative multi-agents, incluant des outils permettant aux organisations de créer leurs propres agents personnalisés.³¹   

Des cas d’utilisation prometteurs d’IA agentique 

Les grandes entreprises technologiques et les start-up développent des solutions en phase initiale capables d'automatiser partiellement des fonctions telles que le développement de logiciels, la vente, le marketing et la conformité réglementaire. Ce qui suit est un aperçu des exemples actuels, et non une liste exhaustive d'applications. Certains sont basés sur des preuves de concept et des démonstrations prometteuses, mais ne sont pas encore prêts pour un déploiement à grande échelle. Bien que ces exemples soient intersectoriels, des applications spécifiques à chaque industrie émergent également. 

Service client : le service client est une fonction essentielle, mais souvent stressante, avec un taux de rotation annuel de 38 %.³² L'automatisation efficace de certaines parties du processus de travail  du service client pourrait réduire le stress et la monotonie pour le personnel, et aider les entreprises à servir davantage de clients.³³ L'IA agentique peut gérer des demandes clients plus complexes que les chatbots actuels agissant de manière autonome pour résoudre les problèmes. Par exemple, une entreprise de matériel audio utilise l'IA agentique pour aider les clients à installer de nouveaux équipements, un processus en plusieurs étapes qui nécessite habituellement l'intervention d'un agent humain. Si ce dernier est nécessaire, l'IA agentique compile les informations pertinentes et résume le problème avant de transférer le client. ³⁴ La prochaine vague d'agents de support client intégrera probablement des données multimodales telles que la voix et la vidéo, en plus du chat textuel. 

Cybersécurité : les experts en cybersécurité illustrent la pénurie de travailleurs qualifiés dans le domaine du savoir, avec un déficit de quatre millions de professionnels à l'échelle mondiale.³⁵ Pendant ce temps, des acteurs malveillants utilisent l'IA générative pour infiltrer les systèmes de cybersécurité. Les systèmes émergents d'IA agentique peuvent rendre les experts humains plus efficaces en automatisant certains aspects de leur travail. Ils peuvent détecter de manière autonome les attaques et générer des rapports, améliorant ainsi la sécurité des systèmes et réduisant la charge de travail des experts humains jusqu'à 90 %.³⁶ L'IA agentique peut également aider les équipes de développement logiciel à détecter des vulnérabilités dans le nouveau code. Elle peut exécuter des tests et communiquer directement avec les développeurs pour expliquer comment résoudre un problème, une tâche que les ingénieurs humains effectuent manuellement aujourd'hui.³⁷ 

Conformité réglementaire : les entreprises de divers secteurs, y compris les services financiers et la santé, sont tenues de réaliser des examens périodiques de conformité réglementaire. L'augmentation de la taille et de la complexité des réglementations, ainsi que le manque de professionnels spécialisés en conformité, rendent cette tâche de plus en plus difficile. Des start-up développent des solutions d'IA agentique capables d'analyser les réglementations et les documents d'entreprise, et de déterminer rapidement si l'entreprise est conforme. L’agent peut citer des réglementations spécifiques et fournir de manière proactive des analyses et des conseils aux professionnels humains de la conformité.³⁸ Les entreprises utilisant l'IA générative aujourd'hui citent la conformité réglementaire comme le principal obstacle au développement et au déploiement de l'IA générative, devant des problèmes tels que le manque d'experts techniques en IA et les défis de mise en œuvre.³⁹ L'incertitude réglementaire joue un rôle, mais la complexité et l'étendue des nouvelles réglementations y contribuent également. En aidant les entreprises à comprendre et à se conformer aux réglementations au fur et à mesure de leur adoption, une solution d’IA plus agentique pourrait aider à accélérer l’adoption de l’IA générative dans les entreprises.  

Créateurs et orchestrateurs d’agents : des solutions d'IA agentique émergent pour aider à automatiser d'autres processus de travail transversaux et spécifiques à certains secteurs. Cependant, les entreprises n'ont peut-être pas besoin d'attendre que le marché se développe. Elles peuvent créer leurs propres agents et systèmes multi-agents. Avec Vertex de Google, les entreprises peuvent utiliser des outils sans code pour créer des agents destinés à des tâches spécifiques, comme la création de supports marketing basés sur des campagnes précédentes.⁴⁰ LangChain utilise une technologie open-source pour aider les entreprises à construire des systèmes multi-agents. Par exemple, la start-up Paradigm a lancé une « feuille de calcul intelligente » dans laquelle plusieurs IA agentiques collaborent pour collecter des données provenant de diverses sources, les structurer et accomplir des tâches.⁴¹ 

Conclusion 

L'IA agentique possède un potentiel immense pour accroître la productivité des experts métiers en automatisant des flux de travail complets et des tâches spécifiques. Sa capacité à agir de manière indépendante, qu'il s'agisse d'agents individuels ou collaborant avec d'autres, la distingue des chatbots et co-pilotes actuels. Cependant, l'IA agentique en est encore à ses débuts en termes de développement et d'adoption. Aussi impressionnants que puissent être les premiers exemples, ces agents peuvent commettre des erreurs ou se retrouver bloqués dans des boucles. Dans les systèmes multi-agents, les « hallucinations » peuvent se propager d'un agent à l'autre, les persuadant de prendre de mauvaises décisions ou de fournir des réponses incorrectes.⁴²  

Bien que l'IA agentique puisse être largement autonome, faire examiner ses décisions par un humain après leur prise (ce qu'on appelle le modèle « Human on the loop » plutôt que le plus restrictif « Human in the loop ») peut la rendre plus adaptée à une utilisation dès aujourd'hui. Lorsque les agents d'IA générative rencontrent des obstacles, ils peuvent consulter des experts humains pour les aider à résoudre le problème et avancer. Dans ce modèle, l'IA agentique ressemble à un employé junior capable d'apprendre par l'expérience tout en effectuant un travail précieux.⁴³ 

« En raison de la vision prometteuse de l'IA agentique et de l'évolution rapide de la technologie, les entreprises devraient dès à présent se préparer. » 

Alors que certaines entreprises investissent des milliards pour créer une IA agentique cohérente et fiable, il n'est pas certain de savoir quand cela deviendra une réalité, ni dans quelles conditions. L'IA agentique sera-t-elle largement adoptée en 2025 ou au cours des cinq prochaines années ? Cette adoption nécessitera-t-elle une innovation de rupture ou simplement des ajustements des technologies et des méthodes d'entraînement actuelles ? Si les grandes entreprises et les start-up qui développent l'IA agentique réussissent, le paysage pourrait changer rapidement. Imaginez des agents autonomes d'IA générative capables de traiter des données multimodales, d'utiliser des outils, d'orchestrer d'autres agents, de se souvenir, d'apprendre et d'exécuter des tâches de manière constante et fiable. Imaginez également que des agents sur mesure puissent être développés rapidement et facilement par des entreprises dans des environnements « no-code », simplement à l’aide de prompts conversationnels.  

En raison de la vision prometteuse de l'IA agentique et de l'évolution rapide de la technologie, les entreprises devraient dès à présent se préparer à son arrivée. Dans ce contexte, elles pourraient envisager les approches suivantes : 

• Prioriser et repenser les processus de travail pour l’IA agentique : identifier les tâches et processus les mieux adaptés à l’exécution par une IA agentique, en fonction des capacités actuelles de la technologie et des domaines à forte valeur ajoutée pour votre entreprise. Redéfinissez ces processus pour éliminer les étapes inutiles. Assurez-vous que les solutions d’IA agentique disposent d’un objectif clair ainsi que d’un accès aux données, outils et systèmes nécessaires. Bien que ces agent puissent aider d’autres agents à naviguer dans leur environnement, des processus encombrés et mal optimisés risquent de produire des résultats décevants.  
• Se concentrer sur la gouvernance des données et la cybersécurité : pour que l’IA agentique puisse générer de la valeur, elle doit avoir accès à des données d'entreprise précieuses et souvent sensibles, ainsi qu'à des systèmes internes et des ressources externes. Les entreprises doivent donc mettre en place une gouvernance des données solide et des dispositifs de cybersécurité robustes avant d’entamer des projets avec des agents autonomes d’IA générative. Parmi les premiers utilisateurs de l’IA générative, les principales priorités en matière d’investissements IT concernent la gestion des données (75 %) et la cybersécurité (73 %)⁴⁴. Pourtant, malgré ces efforts, 58 % expriment de grandes inquiétudes quant à l’utilisation de données sensibles dans les modèles et à la sécurité des données. En outre, seulement 23 % se disent pleinement préparés à gérer les risques et la gouvernance liés à l’IA générative. En résumé, de nombreux leaders actuels de l’IA générative semblent encore mal équipés pour l’arrivée de l’IA agentique. Quant aux entreprises qui n’ont pas encore franchi le pas vers l’IA générative, elles risquent d’être encore moins préparées.  
• Equilibrer les risques et les avantages : lorsqu’elles commencent à utiliser l’IA agentique, les entreprises doivent évaluer le niveau d’autonomie et l’accès aux données qu’elles accordent à ces agents. Des cas d’usage à faible risque, impliquant des données non critiques et une supervision humaine, peuvent permettre aux entreprises de renforcer leur gestion des données, leur cybersécurité et leur gouvernance pour des applications d’IA agentique sécurisées. Une fois ces fondations en place, elles peuvent envisager des cas d’usage à plus forte valeur ajoutée, exploitant des données stratégiques, un accès à davantage d’outils et une autonomie accrue.  
• Garder un scepticisme sain : l’IA agentique est en plein évolution et devrait gagner en capacités au cours de l’année prochaine, tout en étant appliquée à des cas d’usage plus transversaux et spécifiques à certains secteurs. Attendez-vous à des démonstrations impressionnantes, des simulations et des annonces de produits tout au long de 2025. Cependant, les défis évoqués pourraient nécessiter du temps avant d’être résolus. Tant que ces obstacles ne seront pas surmontés, les performances de l’IA agentique en environnements contrôlés risquent de ne pas se traduire par des améliorations concrètes pour les entreprises. Il est essentiel d’évaluer et de questionner ces avancées avec attention et discernement.