Les experts conseillent ramper, puis marcher, avant de courir avec des agents de l'IA

Bienvenue dans l'ère des systèmes d'IA multi-agents, où le potentiel pour stimuler la productivité personnelle et professionnelle est immense. Cependant, intégrer ces outils d'IA générative avancés (Gen AI) dans votre organisation n'est pas une mince affaire. Selon un récent rapport de Deloitte, l'intérêt pour le développement d'agents autonomes est en hausse, avec 26 % des organisations explorant ce domaine. Plus de la moitié des dirigeants (52 %) sont enthousiastes à l'idée de développer une IA agentique, et 45 % cherchent à se développer dans les systèmes multi-agents. Malgré leurs promesses, ces systèmes ne sont pas une solution miracle pour tous les défis.

Le rapport souligne que l'IA agentique peut considérablement améliorer la création de valeur commerciale durable en atteignant autonomement des objectifs avec une intervention humaine minimale. Cependant, il note également que les obstacles rencontrés par l'IA générative — tels que l'incertitude réglementaire, la gestion des risques, les déficiences de données et les problèmes de main-d'œuvre — sont amplifiés avec les systèmes agentiques en raison de leur complexité accrue.

Jim Rowan, responsable de l'IA chez Deloitte Consulting, a souligné que, contrairement aux bots conventionnels qui réagissent principalement aux entrées, l'IA agentique peut planifier, prioriser les tâches et exécuter des flux de travail complexes avec peu de supervision humaine. Cependant, il a averti que la mise en œuvre de ces systèmes peut être coûteuse, soulignant l'importance d'une infrastructure de données robuste, incluant des plateformes cloud évolutives, des outils d'analyse de données avancés et des mesures de cybersécurité solides.

Pour les organisations souhaitant adopter des agents IA, commencer simplement est essentiel. Benjamin Lee, professeur à l'Université de Pennsylvanie, suggère que les entreprises utilisant déjà l'IA générative pour des tâches simples sont bien placées pour tirer parti de l'IA agentique. Ces organisations ont des employés à l'aise pour décomposer des tâches complexes en tâches plus simples pour l'IA, ce qui génère déjà des gains de productivité.

Rowan recommande une approche par étapes — commencer par un programme pilote pour tester les systèmes multi-agents dans un environnement contrôlé. Il compare l'état actuel de l'IA à celui d'un tout-petit, l'IA agentique étant plus avancée, semblable à un préadolescent — fonctionnelle et capable d'exécuter des fonctions spécifiques.

Pour intégrer davantage les agents IA, les organisations devraient encourager l'utilisation de l'IA générative pour des tâches simples et développer des stratégies pour décomposer les tâches complexes en parties gérables. Cette approche rendra les gains de productivité des agents intelligents transparents, compréhensibles et fiables.

Rowan plaide également pour l'utilisation de modèles de langage plus petits par rapport aux grands modèles qui ont dominé le paysage de l'IA générative. Ces modèles plus petits peuvent être plus efficaces dans divers rôles, de la gestion de la chaîne d'approvisionnement au développement de logiciels et à l'analyse financière. Lee est d'accord, notant que les agents intelligents peuvent décomposer des tâches complexes en tâches plus simples et utiliser des modèles spécialisés pour combiner les résultats en une réponse cohérente.

La qualité des données est cruciale pour le fonctionnement efficace des agents IA. Des données inexactes, incomplètes ou incohérentes peuvent entraîner des résultats et des actions non fiables, posant des défis à la fois pour l'adoption et la gestion des risques. Par conséquent, investir dans une gestion robuste des données et une modélisation des connaissances est essentiel.

La montée en compétences de la main-d'œuvre est un autre domaine critique, Rowan soulignant le besoin de formation à la fois aux compétences techniques et à la capacité de collaborer avec des agents IA. Une main-d'œuvre bien préparée est vitale pour exploiter pleinement le potentiel des agents IA.

Une surveillance continue et l'amélioration des performances des agents IA sont également nécessaires. Cela implique de collecter et d'analyser les données de performance, d'identifier les domaines à améliorer et d'effectuer des ajustements pour optimiser les performances.

D'un point de vue politique, les entreprises doivent établir des lignes directrices claires sur l'utilisation de l'IA agentique. Ben Sapp, responsable mondial de l'intelligence chez Digital.ai, souligne l'importance de déterminer qui peut utiliser l'IA agentique, ses autorisations pour interagir avec d'autres agents, et la hiérarchie pour la prise de décision lorsque les systèmes interagissent ou entrent en conflit.

Sapp a fourni un exemple d'une entreprise de services financiers qui utilise un modèle d'IA pour prédire les échecs de changement. En fonction de la probabilité d'échec, un humain peut décider s'il faut examiner le changement plus en profondeur ou l'approuver. Avec l'IA agentique, si la probabilité d'échec est inférieure à 1 %, le système peut automatiquement approuver le changement, éliminant le besoin d'intervention humaine et rationalisant le processus.

En résumé, bien que l'IA agentique offre un grand potentiel pour améliorer la productivité et créer une valeur commerciale durable, sa mise en œuvre réussie nécessite une prise en compte minutieuse des défis techniques, de données, de main-d'œuvre et de politique.