Gartner prévoit qu'en 2028, un tiers des interactions humaines avec l'IA générative passera des requêtes des utilisateurs à des interfaces directes avec des agents autonomes, motivés par des intentions. Ce changement représente un saut important par rapport aux assistants IA réactifs que de nombreux utilisateurs connaissent actuellement.
« Les agents représentent la prochaine étape évolutive de l'IA générative », déclare Vijoy Pandey, SVP/GM d'Outshift, le bras d'incubation de Cisco. « Pour les dirigeants, le message est clair : préparez-vous dès maintenant. Avec seulement trois ans restants, commencez par mettre en place des assistants et par aborder des cas d'utilisation gérables avant d'évoluer vers des applications plus critiques. »
Les agents IA sont comme des employés spécialisés, infatigables, adaptés à des tâches spécifiques et qui collaborent pour relever les défis d'entreprise. Tim Tully, partenaire chez Menlo Ventures, souligne une tendance en cours : « Nous assistons à la substitution et à l'amélioration des équipes dans les entreprises de réussite client par des agents, augmentant ainsi leur évolutivité. Cela se voit dans l'automatisation du marketing et la génération de code, et je m'attends à ce que les agents pénètrent encore plus dans le domaine de l'ingénierie logicielle. »
Les Big Three—Google Cloud, Microsoft Copilot et AWS Q—développent activement des agents IA génératifs, indiquant l'émergence d'une technologie transformative.
La Distinction entre Agents et Assistants
Qu'est-ce qui différencie les agents IA des assistants IA précédents ? Les assistants IA réagissent aux requêtes des utilisateurs, utilisant des modèles linguistiques d'ampleur (LLMs) et le traitement du langage naturel (NLP) pour fournir des réponses et du contenu contextuel dans une interface conversationnelle.
À l'inverse, les agents IA sont proactifs et autonomes, capables de prendre des décisions et d'agir sans intervention humaine. Ils analysent en continu des données spécifiques au secteur en temps réel, gérant des flux de travail complexes de manière indépendante tout en visant des objectifs spécifiques.
Contrairement aux assistants traditionnels, les agents produisent un contenu de haute qualité pouvant réduire les cycles de révision de 20 % à 60 %, grâce à un suivi facilement accessible des tâches et des sources de données. « Pensez à eux comme à des employés spécialisés dans des tâches particulières qui collaborent pour résoudre des problèmes d'entreprise plus larges », explique Pandey. Par exemple, dans les services financiers, un agent peut détecter et prévenir la fraude en temps réel, tandis qu'en ressources humaines, il peut analyser des données pour identifier les talents ou prédire le turnover.
Lorsque ces systèmes sont intégrés dans un cadre multi-agents, ils peuvent collaborer à travers diverses compétences, prendre des décisions éclairées et gérer des flux de travail complexes de manière autonome. Cependant, une couche d'orchestration dédiée pour la collaboration entre agents est encore en développement, représentant une opportunité importante pour les startups.
« Il y a un besoin d'une infrastructure similaire à Kubernetes pour les technologies d'agents—quelque chose de parfaitement adapté à l'exécution de ces charges de travail spécialisées », note Tully. L'objectif est de connecter ces agents fins, permettant une communication fluide à travers des protocoles qui restent à établir.
Transition des Assistants vers les Agents
L'Indice de Préparation à l'IA de Cisco révèle que, bien que 97 % des organisations souhaitent exploiter l'IA générative, seulement 14 % l'ont mise en œuvre—ce qui souligne un écart significatif. Les obstacles courants incluent le manque de clarté sur le point de départ, l'assurance d'un retour sur investissement (ROI), et la gestion des problématiques de confiance, de sécurité et de sûreté.
« Il existe des limites à la réflexion interne et à la planification nécessaires pour que les agents s'attaquent à des problèmes ambigus », explique Pandey, en soulignant l'importance d'instructions claires pour orienter efficacement les agents.
Les organisations devraient commencer par des cas d'affaires simples plutôt que par des projets ambitieux. Il est essentiel d'autonomiser les développeurs citoyens—des personnes au sein des fonctions métiers qui comprennent les processus et comment les améliorer—surtout étant donné la disponibilité limitée de développeurs d'IA générative.
Avant d'entamer leur parcours en IA, les organisations doivent prioriser le nettoyage des données afin d'assurer une gestion correcte des identités et des contrôles d'accès. « Commencez par des cas d'affaires gérables plutôt que par des projets faramineux», conseille Pandey. Cette approche permet aux organisations de naviguer et de peaufiner leur pipeline tout en formant les développeurs citoyens, posant ainsi une base solide pour les avancées futures en IA.
À mesure que les secteurs passent des assistants aux agents et que les LLM continuent de s'améliorer, chaque organisation a à y gagner grâce à la transformation apportée par l'IA générative agentique.
Visionnez l'intégralité de la conversation avec Vijoy Pandey, SVP/GM d'Outshift, Tim Tully de Menlo Ventures, et le rédacteur en chef de VB, Matt Marshall [ici].
Classement
