Voulez-vous réussir un projet d’IA agentique ? Ne le traitez pas comme un logiciel traditionnel
Une étude du MIT a révélé que 95 % des projets pilotes d’IA générative échouent à atteindre la phase de production, et la situation n’est pas beaucoup mieux avec l’IA agentique. Cependant, alors que les gros titres et les critiques se concentrent sur ce chiffre, certains leaders d’IT estiment qu’il est important de se pencher sur les 5 % qui réussissent et qui apportent des ajustements notables aux processus logiciels traditionnels.
Un changement dans la méthodologie
La plupart des entreprises qui rencontrent des difficultés traitent encore ces projets comme des logiciels traditionnels, où 80 % du temps est consacré à la conception et à la construction. Avec le développement de l’IA agentique, cette dynamique s’inverse. Si vous passez toujours 80 % de votre temps à concevoir et à construire, vous n’êtes pas en train de tester, et c’est là que se situe le frottement.
Les systèmes d’IA agentique étant beaucoup plus probabilistes, il est crucial de tester davantage. Les entreprises qui réussissent dans ce domaine se concentrent sur des évaluations, la sécurité et la définition précise des contextes d’action des agents.
Importance des évaluations
Les évaluations sont essentielles dans le processus d’adoption, aidant à affiner et à peaufiner les agents pour garantir qu’ils produisent des résultats de haute qualité. Les entreprises axées sur ce point obtiennent presque six fois plus de projets d’IA en production par rapport à celles qui négligent les évaluations.
Utilisation ciblée des agents
Il est également crucial de définir où les agents opèrent et quelles tâches spécifiques leur sont attribuées. Beaucoup d’entreprises les considèrent comme des outils polyvalents, mais la curation basée sur des cas d’utilisation individuels est essentielle. Par exemple, des tâches comme l’intégration de nouveaux employés sont idéales pour les agents, tout comme les fonctions de support client qui sont prêtes pour l’automatisation.
L’essor des systèmes multi-agents
Le type d’agents et leur rôle au sein de l’écosystème sont également importants. Les entreprises passent de l’utilisation d’individuels agents à des configurations de « flux de travail multi-agents ». Une augmentation significative a été observée dans ce domaine, avec des entreprises intégrant plusieurs agents spécialisés travaillant ensemble.
Cette approche est comparable à la rénovation d’une maison, où plusieurs entrepreneurs aux compétences spécifiques contribuent au projet global.
Agents d’extraction d’information et agents de supervision
Les agents d’extraction d’information sont populaires, représentant 31 % de l’utilisation des agents, répondant aux besoins des entreprises pour exploiter des données structurées et non structurées. Ils améliorent considérablement le sourcing des données, permettant aux entreprises d’exploiter l’ensemble de leurs données.
Les agents de supervision sont essentiels dans les flux de travail agentiques, surveillant et orchestrant les autres agents. Ils valident les activités et rationalisent les processus, renforçant la gouvernance des projets d’IA.
Les défis de la gouvernance
Bien que la mise en place de politiques de gouvernance solides soit un investissement prioritaire, cela reste un défi pour de nombreuses entreprises. Les entreprises qui réussissent dans l’adoption de l’IA agentique sont souvent des entreprises technologiques et des natifs numériques, qui ont une main-d’œuvre plus adaptée à cette transition.
Conclusion
Pour réussir dans le domaine de l’IA agentique, il est crucial de traiter ces projets différemment des logiciels traditionnels. Cela implique un changement de mentalité vers davantage de tests, une évaluation ciblée des agents et une gouvernance renforcée pour éviter les risques associés aux systèmes non déterministes.
