- Les « agents IA » sont passés très rapidement, au cours des 18 derniers mois, du stade d’expérimentation technologique à celui de courant dominant, et les premiers utilisateurs rapportent des résultats remarquables en matière de réduction des coûts, de gain de temps et d’amélioration de la productivité
- Cette innovation marque un changement fondamental dans l’automatisation des tâches complexes, mais il subsiste encore des limites, des défis et des questions non résolues
Qu’est-ce qu’un agent IA ?
- Un agent IA est un système logiciel qui planifie, coordonne et exécute des tâches complexes à l’aide d’outils, de mémoire et d’autres systèmes d’IA
- Il fonctionne comme un humain : il se fixe un objectif, le décompose en petites étapes, puis les exécute pour l’atteindre
- Grâce aux avancées des grands modèles de langage (LLMs) et de l’IA générative (gen AI), il peut mobiliser intelligence, outils et mémoire pour atteindre un objectif via la planification, l’exécution, l’évaluation et l’itération
Système d’agent IA simple
- Question d’un ami : « Serait-il possible de créer une application qui propose les billets d’avion les moins chers vers des destinations au climat idéal ? »
- C’est déjà faisable avec du code classique, mais les agents IA offrent une approche plus intéressante via le langage naturel
- Exemple de recommandation de voyage en langage naturel :
- Collecte des préférences utilisateur : l’utilisateur saisit en langage naturel ses préférences météo et son point de départ. Le LLM interprète la demande, identifie les outils nécessaires et décide comment exécuter la tâche
- Recherche de destinations : utilisation de l’outil
find_destinations pour rechercher des destinations correspondant aux préférences à partir des données météo de 200 villes sur les 12 derniers mois
- Recherche de vols : récupération des données de vols et des informations tarifaires pour ces destinations
- Génération de recommandations : synthèse des données des étapes 2 et 3 afin de produire une recommandation finale en langage naturel
Système d’agent IA avancé
- Avec des LLM plus puissants, les agents IA peuvent désormais gérer des tâches plus complexes
- Principaux cas d’usage :
- Développement logiciel : des agents IA qui construisent et maintiennent des logiciels. Devin, Cursor, Replit, GitHub Copilot (qui compte désormais 1,8 million d’abonnés), etc.
- Service client : des agents IA qui traitent les demandes clients. Klarna AI remplace le travail de 700 employés et a permis d’économiser $40m en 2024
- Ventes et marketing : des agents IA qui automatisent la prospection commerciale et le marketing. Le marketing génératif IA de KFC et Taco Bell a entraîné une hausse à deux chiffres de l’engagement des consommateurs
Domaines d’opportunité
- De nombreuses startups développent des produits innovants en s’appuyant sur les agents IA
- Exemples d’applications :
- Santé : OpenClinic – un système d’assistance aux médecins
- Formation des robots : innate – une plateforme d’entraînement des robots
- Assistant personnel : Khoj – un second cerveau pour l’utilisateur
- Design d’intérieur : Rastro – un décorateur d’intérieur personnalisé
- Cas de réussite : HappyRobot
- Automatise les appels téléphoniques et la communication dans les entreprises logistiques
- Possède déjà plus de 50 clients et leur apporte des bénéfices visibles. La durée moyenne des appels a été réduite de 50 % et les coûts opérationnels d’un tiers
- Exemples d’outillage
- Création d’agents no-code : Gumloop – construire des agents IA sans écrire de code
- Système de paiement téléphonique : Protegee – prise en charge de paiements téléphoniques sécurisés via des agents
- Tests de sécurité : utilisation d’agents IA de « red team » pour soumettre automatiquement les systèmes à des stress tests de sécurité et d’alignement
Limites actuelles
- L’enthousiasme autour des agents IA est fort, mais il est important de reconnaître leurs limites actuelles et de garder des attentes réalistes
- Certains problèmes pourront être résolus dans un avenir proche, mais d’autres pourraient persister à long terme
- Limites techniques : problèmes de fiabilité des LLM, difficulté à planifier des objectifs longs, risque d’accumulation d’erreurs
- Les grands modèles de langage (LLMs), qui constituent le cerveau des agents IA, souffrent de problèmes de fiabilité
- Phénomène d’« hallucination » : génération d’informations factuellement fausses
- Manque de capacités de planification et de raisonnement à long terme
- Risque d’accumulation des erreurs lors de l’enchaînement de multiples tâches
- Exemple : un processus en 10 étapes avec une précision de 90 % à chaque étape n’atteint au final qu’une fiabilité de 35 % (90%^10)
- Défis opérationnels : problèmes d’intégration des données et de sécurité, difficulté de gestion des informations sensibles
- L’interaction avec d’autres logiciels, la gestion d’informations sensibles et la prise de décisions autonomes (par exemple exécuter un paiement) impliquent des exigences élevées en matière d’intégration et de sécurité
- Problèmes de confidentialité et de sécurité des données
- Les structures de connexion et les garde-fous nécessaires pour soutenir ces systèmes restent encore insuffisants
- Confiance sociale : le manque de confiance et des effets tels que la réduction de l’emploi pourraient retarder une adoption à grande échelle
- On s’attend à ce qu’il faille du temps avant que la société dans son ensemble fasse confiance aux agents IA et les adopte massivement
- Au-delà des enjeux de fiabilité et de sécurité, s’ajoutent les inquiétudes liées à la réduction des emplois et à la perturbation des modes de travail causées par l’IA
- Même si une automatisation complète est possible dans certains domaines, cela n’est pas nécessairement souhaitable
Questions ouvertes
- Les agents IA ont le potentiel de transformer l’économie, mais à mesure que ces systèmes deviennent plus intelligents et plus largement utilisés, ils se heurtent à de nombreuses questions non résolues
- Questions techniques
- L’avenir sera-t-il centré sur des agents IA spécialisés par domaine, ou bien des systèmes d’agents généralistes très performants seront-ils possibles ?
- Continuera-t-on à utiliser des LLM de nature probabiliste, ou faudra-t-il des systèmes de planification plus déterministes ?
- Quels critères faut-il utiliser pour évaluer les performances ? Une référence équivalente aux performances humaines, ou supérieure ?
- Impact sur les humains et le travail
- Quelle part d’intervention humaine restera nécessaire, et dans quels cas cessera-t-elle d’être importante ?
- Quel sera l’impact des agents IA sur l’emploi et sur le marché mondial du travail ?
- Modèles économiques et questions commerciales
- Comment fixer le prix des produits d’agents IA ? À la tâche, au temps passé, ou à la valeur générée ?
- Quels types de travaux créatifs auparavant impossibles deviendront réalisables grâce aux agents IA ?
- Exemple : utiliser des systèmes d’agents pour synthétiser des milliers d’avis produits et rendre possible un travail irréalisable par un humain
- Régulation et gestion des risques
- Comment faut-il réguler les systèmes d’agents ? Comment résoudre les problèmes de confidentialité et de sécurité ?
- Si un système d’agents dysfonctionne et cause un préjudice, qui en porte la responsabilité ?
- Il reste beaucoup d’autres questions à explorer
- Pour l’instant, il faut expérimenter directement la technologie
- Il est recommandé d’imaginer concrètement l’avenir, en distinguant le battage médiatique de la réalité, et en examinant comment les agents IA peuvent améliorer le travail et les loisirs
1 commentaires
On parle vraiment beaucoup des agents IA en ce moment.