L’ère des Agents IA est proche
Si vous suivez le secteur de l’IA générative aussi attentivement que nous, vous avez probablement remarqué quelque chose : les progrès et l’adoption ne sont pas synchronisés.
D’un côté, la technologie progresse rapidement. Récemment, de nouvelles capacités d’IA sont apparues, comme l’utilisation d’outils (Operator, CU, Gemini 2.0) et l’amélioration du raisonnement (O3, R1, 3.7 Sonnet). Ces avancées sont des prérequis fondamentaux pour les agents IA et nous rapprochent de l’avenir : un monde où les agents IA agissent de manière autonome et exécutent des tâches complexes à un coût bien inférieur à ce que nous pensions possible il y a seulement quelques mois. Ces nouvelles capacités, associées aux améliorations continues des performances et des coûts de l’IA (voir Deepseek), posent les bases d’une demande explosive à venir. C’est la bonne nouvelle.
La moins bonne nouvelle, c’est qu’il y a encore un décalage entre les progrès et leur adoption. Il y a un écart entre l’intention de mettre en œuvre l’IA au travail et son application réelle. Par exemple, une récente enquête de McKinsey menée auprès de 100 entreprises générant plus de 50 millions de dollars de revenus annuels a révélé que 63 % des dirigeants considéraient l’implémentation de l’IA comme une priorité élevée. Pourtant, 91 % d’entre eux ne se sentaient pas prêts à le faire.
Nous en sommes encore aux débuts. Et c’est là que vous intervenez. Votre rôle principal est d’être un pont entre l’évolution technologique et l’adoption massive. Vous devez faire en sorte que les gens voient réellement ce changement, le désirent et le rendent opérationnel pour eux.
Comment y arriver ?
Il semble que nous manquions encore de certaines couches essentielles dans la pile technologique des agents IA. En réalité, trois couches sont nécessaires aujourd’hui, plus une supplémentaire :
- La couche d’accountability : la transparence, la traçabilité du travail et du raisonnement.
- La couche de contexte : un système pour exploiter les connaissances, la culture et les objectifs de l’entreprise.
- La couche de coordination : permettre aux agents de collaborer efficacement grâce à des systèmes de partage de connaissances.
- L’autonomisation des agents IA : les doter d’outils et de logiciels pour maximiser leur autonomie dans l’ère du B2A (Business to Agent).
Nous nous intéressons aux entreprises qui travaillent sur chacune de ces couches, ou qui les connectent toutes, comme Maisa (plus d’informations ci-dessous).
En résolvant ces défis et en construisant cette infrastructure, nous pourrons aborder des tâches plus complexes et plus précieuses avec l’IA. Une fois que cela deviendra la norme, de nombreux marchés encore inconcevables aujourd’hui émergeront.
Mais pour cela, nous avons besoin de ces couches fondamentales. Voici pourquoi :
Libérer l’autonomie : de la RPA à l’APA (Automatisation des Processus Agentiques)
Pour comprendre comment nous allons libérer l’autonomie complète des agents IA, il faut d’abord comprendre un changement majeur dans la manière dont nous percevons l’automatisation des processus.
Nous passons de l’Automatisation Robotisée des Processus (RPA) à l’Automatisation des Processus Agentiques (APA).
La RPA est une industrie de plusieurs milliards de dollars avec des entreprises majeures comme UIPath, BluePrism et Workfusion. Elle prouve que les entreprises sont prêtes à adopter l’automatisation pour des tâches à forte valeur ajoutée. Pour comprendre comment introduire les agents IA, il est utile d’utiliser la RPA comme point de départ.
Les avantages de la RPA : elle excelle dans les tâches basées sur des règles et structurées, impliquant plusieurs systèmes d’entreprise (100 à 200 étapes). Elle permet de capturer la connaissance de l’entreprise sous forme de règles, garantissant ainsi la fiabilité tant que les systèmes sous-jacents restent stables.
Les limites de la RPA : son champ d’application est limité car il faut cartographier précisément chaque étape du processus. Tout changement peut la faire échouer. Certaines entreprises doivent même embaucher des consultants pour “extraire” leurs propres processus avant d’implémenter la RPA.
La RPA est efficace pour certaines tâches, mais elle est rigide et manque de flexibilité.
L’émergence des LLMs : une rupture technologique
Les modèles de langage (LLMs) offrent une intelligence illimitée, bon marché et adaptative. Ils permettent d’absorber et d’exploiter des contextes plus complexes. En apprenant à raisonner, ils élargissent considérablement le champ des tâches automatisables.
Mais les LLMs ne sont pas parfaits non plus :
- Ils sont peu adaptés aux tâches répétitives.
- Leur fonctionnement est une boîte noire : on ne sait pas toujours pourquoi ils génèrent une réponse.
- L’IA doit être explicable et prévisible pour être adoptée par les entreprises.
L’avenir : un équilibre entre RPA et LLM
Nous avons besoin de la fiabilité de la RPA et de la flexibilité des LLMs. Cela prend la forme d’une couche d’auditabilité et de contexte intégrée dans la pile des agents IA.
La couche d’accountability : un levier pour l’adoption
Pensez aux cours de maths à l’école. Vous ne pouviez pas juste donner une réponse, il fallait montrer vos calculs. C’est ce qui manque aux systèmes d’IA actuels.
L’entreprise Maisa a introduit le concept de “Chain of Work”, une approche qui permet de tracer et d’expliquer chaque décision d’un agent IA. Leur moteur de raisonnement, la Knowledge Processing Unit (KPU), sépare le raisonnement de l’exécution. Résultat : chaque action est traçable et auditable, ce qui renforce la confiance des entreprises.
La couche de contexte : ce qui fait un bon employé
Les meilleurs employés ne sont pas seulement ceux qui suivent des règles, mais ceux qui comprennent le contexte, les valeurs et les objectifs de l’entreprise. Aujourd’hui, GPT-4 ne comprend pas votre entreprise.
L’approche de Maisa repose sur une Virtual Context Window (VCW), qui permet à un agent IA d’accéder uniquement aux données pertinentes, éliminant ainsi les limites de mémoire et de traitement des modèles traditionnels.
La couche de coordination : gérer une main-d’œuvre agentique
Dans le futur, les entreprises géreront un ensemble d’agents IA spécialisés (service client, RH, comptabilité, etc.). Ces agents devront collaborer entre eux et avec les humains.
Nous assistons déjà à l’émergence d’outils de permissioning et de communication inter-agents. Une coordination efficace sera essentielle pour éviter un écosystème cloisonné et permettre un marché ouvert d’agents interopérables.
L’avenir : doter les agents IA d’outils de travail
Un marché émerge pour fournir aux agents IA les outils dont ils ont besoin pour travailler efficacement (B2A – Business to Agent).
Nous voyons déjà :
- ChatGPT utilisant un navigateur.
- Claude déplaçant un curseur à l’écran.
- ElevenLabs donnant une voix aux agents IA.
Mais nous sommes seulement au début. Les agents devront payer d’autres services, signer des contrats et interagir avec des logiciels existants.
Conclusion
Nous croyons fermement aux agents IA. Mais pour accélérer leur adoption, nous devons construire ces couches fondamentales. Les entreprises qui se concentrent sur ces défis aujourd’hui façonneront l’infrastructure de demain