MF3d/Getty Images
Les agents d’intelligence artificielle sont en plein essor, et l’argent coule à flots pour les créer. Plus de la moitié des entreprises prévoient un budget annuel de 500 000 dollars ou plus pour les agents d’IA l »an prochain. Le hic, c’est que la plupart des entreprises ne disposent pas de l’infrastructure technologique nécessaire pour déployer efficacement ces agents.
C’est ce qui ressort d’une nouvelle enquête menée auprès de 1 045 DSI et publiée par Tray.ai. L’enquête révèle que 42 % des personnes interrogées prévoient de créer ou de prototyper plus de 100 agents d’IA au cours de l’année à venir. Et 36 % s’attendent à ce que plus de 100 agents soient mis en production. L’enquête montre aussi qu’un pourcentage similaire (41 %) s’attend à traiter plus de 20 problèmes commerciaux distincts avec les agents d’IA.
Les agents d’IA sont des assistants intelligents capables de prendre des décisions et de réaliser des actions de manière autonome. Ils sont destinés à servir de collaborateurs numériques, d’assistants ou de représentants du service clientèle, communiquant par le biais du traitement du langage naturel.
Montée en puissance sur la pile technologique nécessaire
Les prévisions concernant les agents d’intelligence artificielle sont importantes. D’ici à la fin de 2025, une personne sur quatre affirme que la plupart des processus commerciaux fondamentaux de son entreprise seront exécutés par des agents d’IA. Par ailleurs, 41 % des entreprises pensent qu’entre 26 % et 50 % de leurs processus de base seront gérés par des agents d’IA.
L’enquête montre aussi que plus de 86 % des professionnels déclarent qu’il est nécessaire de mettre à niveau leurs technologies existantes pour se préparer à l’utilisation d’agents d’IA. Les défis d’intégration peuvent entraver les déploiements d’agents d’IA. 42 % des répondants indiquent que leur entreprise doit avoir accès à huit sources de données ou plus pour déployer des agents d’IA avec succès.
Au moins 42 % des professionnels ont également déclaré qu’ils devaient procéder à des mises à niveau majeures de l’infrastructure, telles que l’ajout de nouveaux fournisseurs à leur pile technologique. Voire la mise en place de refontes complètes. 41 % ont déclaré qu’ils adoptaient une approche hybride du développement avec un mélange de solutions fait maison et de solutions commerciales.
Aller au delà du SaaS
« Bien que les agents d’intelligence artificielle suscitent un grand enthousiasme, de nombreuses entreprises ne disposent pas des éléments essentiels pour les développer et les déployer de manière sûre et efficace », a déclaré Rich Waldron, PDG de Tray.ai, à ZDNET.
« Elles s’appuient sur de nombreuses applications SaaS prêtes à l’emploi qui entraînent des problèmes de fragmentation et d’intégration. » Selon lui, une plus grande automatisation des processus et une plus grande attention au traitement des données non structurées sont nécessaires.
Surtout que les agents autonomes d’IA nécessitent une infrastructure efficace et des pratiques de gestion des données, explique Lan Guan, responsable de l’IA chez Accenture.
La préparation de l’infrastructure est indispensable
« Les organisations se trouvent à différents stades de préparation. Une architecture de plateforme d’entreprise robuste peut garantir une accessibilité transparente aux modèles de base, y compris des considérations d’infrastructure technique telles que l’hébergement dans le cloud ou sur site, mais aussi des capacités de réseau, des mesures de sécurité et la capacité à faire évoluer efficacement le système à mesure que la demande de capacités basées sur des agents d’IA augmente. »
Taylor Bird, vice-président d’Excella, dit que la plupart des entreprises ne sont pas préparées à des agents d’IA véritablement autonomes. « Alors que les entreprises ont fait des progrès dans la mise en œuvre des systèmes d’IA traditionnels, l’IA agentique représente un défi supplémentaire. Il nécessite de nouvelles approches en matière d’infrastructure, de gouvernance et de développement des compétences. »
La préparation de l’infrastructure est indispensable, a déclaré M. Bird : « Les organisations ont besoin d’écosystèmes d’API robustes qui permettent aux agents d’IA d’interagir en toute sécurité avec leurs systèmes logiciels. Les entreprises dont les systèmes sont cloisonnés auront des capacités limitées avec les agents autonomes. »
Le succès des agents d’IA dépendra des modèles
La faiblesse des cadres de sécurité et de contrôle entravera également le développement et le déploiement des agents d’IA. « Les agents offriront davantage de possibilités d’interaction avec les logiciels d’une entreprise », a déclaré M. Bird. « Les mécanismes traditionnels de surveillance et de sécurité ne couvrent probablement que les scénarios déterministes. Passer de l’état actuel à un système agentique nécessite une courbe d’apprentissage. »
Keith Pijanowski, expert en IA/ML chez MinIO, estime que le succès des agents d’IA dépendra des modèles. « Si les entreprises veulent créer des agents efficaces, elles ont besoin de modèles efficaces », a-t-il déclaré. « Par conséquent, tout ce dont elles ont besoin pour former des modèles et les faire fonctionner en production est nécessaire pour réussir avec les agents. Plus vos modèles seront performants, plus vos agents seront performants. »
En fin de compte, les agents d’intelligence artificielle seront la clé de l’application de l’intelligence artificielle à des tâches spécifiques et étroites. « Les agents d’IA représentent une manière différente de mettre en œuvre la logique de contrôle », dit M. Pijanowski. « Jusqu’à présent, la logique de contrôle était codée par les développeurs et ne changeait pas au moment de l’exécution. Avec les agents, on demande d’abord à un LLM d’élaborer un plan, puis d’agir à chaque étape de ce plan. »
« Une nouvelle façon de mettre en œuvre la logique de contrôle »
À mesure que les agents d’IA se généraliseront, « les modèles deviendront plus spécialisés, ce qui favorisera également leur adoption », prédit M. Pijanowski. « Il y aura moins de modèles polyvalents et plus de petits modèles formés pour faire une chose très bien ».
Les agents d’IA « représentent une nouvelle façon de mettre en œuvre la logique de contrôle », poursuit-il. « Au lieu d’être codé en dur par un ingénieur au moment de la conception, un agent détermine la marche à suivre lorsque le problème lui est présenté. C’est à la fois effrayant et passionnant. Effrayant parce que sans vérification interne et sans garde-fou, un agent pourrait créer de nombreux problèmes. Cependant, il s’agit d’une nouvelle façon d’automatiser. Les processus existants peuvent être améliorés et les problèmes qui étaient trop complexes dans le passé peuvent maintenant être résolus ».
La meilleure façon de relever les défis posés par les agents d’IA est la sensibilisation et la formation à mesure que les agents d’IA prolifèrent. « Pour ce qui est de la façon dont les entreprises peuvent se préparer, nous avons réussi à mettre en œuvre des cas d’utilisation avec des agents par le biais d’événements d’apprentissage internes tels que des hackathons, et nous avons tiré parti des leçons apprises en construisant d’autres solutions d’IA/ML », dit M. Bird.
Les données sont le carburant qui alimentera les agents d’IA
Les données sont le carburant qui alimentera les agents d’IA, et il reste encore beaucoup à faire dans ce domaine. Les systèmes d’IA agentique doivent être prêts à « exploiter des modèles multimodaux capables de traiter divers types de données, y compris des données non structurées telles que des images, des textes et des vidéos », dit M. Guan. « Une intégration efficace des données est essentielle pour garantir que les données provenant de systèmes disparates sont facilement accessibles aux agents en temps réel afin qu’ils puissent prendre des décisions et des mesures en connaissance de cause.
M. Guan a également déclaré que les connaissances de l’entreprise constituaient un autre élément clé des agents d’IA. Il a exhorté les organisations à se doter d’un magasin d’entreprise centralisé qui « devrait intégrer des mécanismes de conservation des connaissances, une couche sémantique pour définir les relations entre les éléments de données, et des définitions normalisées pour assurer la cohérence ».
En capturant et en organisant les connaissances spécifiques à l’entreprise, « les agents peuvent continuellement apprendre et améliorer leurs performances au fil du temps », a déclaré M. Guan. Les conditions préalables essentielles comprennent « les contrôles de l’API de l’agent, l’observabilité et le suivi des performances, le retour d’information et l’apprentissage continu, ainsi que la mise au point et la formation du modèle ».
Vers le MLOps
Toutefois, l’adoption croissante d’agents d’IA – avec davantage de modèles formés sur des ensembles de données spécialisés – exercera une pression sur le stockage des données, a déclaré M. Pijanowski.
« Non seulement les modèles eux-mêmes doivent être versionnés et sauvegardés quelque part, mais il en va de même pour les résultats des expériences utilisées pour les créer – un processus connu sous le nom d’opérations d’apprentissage automatique (MLOps). Les modèles utilisés au sein des agents doivent être instrumentés et la télémétrie sauvegardée. Tout cela représente beaucoup plus de données qu’une application traditionnelle qui utilise une simple prise de décision booléenne ».
Ce qui est clair, conclut M. Pijanowski, c’est que l’augmentation constante des informations stockées nécessite des stratégies de stockage de données plus étendues.