L'adoption par les consommateurs reste également relativement faible. Malgré l'utilisation de mots tels que “révolution”, "révolution", "révolution", "révolution", "révolution", "révolution", "révolution".” data montre que la plupart des utilisateurs touchent une fois par semaine plutôt que par jour, contrairement à l'utilisation plus fréquente des réseaux sociaux ou de plateformes telles que Google. Cela suggère que l'IA générique n'est pas encore devenue une véritable habitude de consommation. Les gens l'utilisent occasionnellement - parfois intensément - mais elle n'est pas devenue un pilier de la vie quotidienne. En d'autres termes, le battage médiatique est encore en avance sur la réalité.
Malgré ces reports, nous pensons que l'IA générique représente un changement fondamental de la même ampleur que l'internet ou le smartphone. L'internet nous a donné environ deux décennies d'innovation et de création d'entreprises. La révolution des smartphones a engendré 15 années de croissance alimentée par les applications mobiles. Nous pensons que l'IA générique entraînera une ère de transformation similaire - peut-être une décennie ou plus de nouvelle création de valeur.
Un tel schéma est courant avec les nouvelles technologies (l'optimisme excessif suivi d'une désillusion puis d'une réelle création de valeur, souvent exprimée par le biais de le cycle de croissance de Gartner). À notre avis, bon nombre des principaux partisans de l'IA exagèrent lorsqu'ils affirment que des pans entiers de l'économie seront bientôt remplacés par l'IA. En effet, une IA réellement fonctionnelle dans des entreprises établies est un travail difficile : il faut une data relativement propre, une cartographie des processus et une expérimentation approfondie, et même dans ce cas, il faut souvent qu'un humain soit dans la boucle. Cependant, nous constatons de réels progrès en coulisses, dont certains exemples suggèrent que l'utilisation de systèmes multi-agents pour automatiser et remplacer les tâches répétitives peut conduire à une augmentation plus longue et plus fondamentale de la productivité.
Nous pensons que les dirigeants ne devraient pas essayer de deviner ce qui se passera dans dix ans. Ils devraient plutôt se demander ce qu'ils peuvent réaliser de manière réaliste dans les deux prochaines années. D'après les projets que nous avons menés depuis la fin de l'année 2024, l'IA agentique s'avère être le véritable changement de la donne (du moins à court terme), en apportant une réelle valeur ajoutée aux entreprises. La réalité est aussi que les gains financiers par projet sont bons, mais aucun d'entre eux n'est spectaculaire. Ces gains incrémentaux s'apparentent ici au Lean, une comparaison que le PDG de Microsoft Satya Nadella a également fait.
Sur la base de notre travail sur un portefeuille de projets qui mettent en œuvre avec succès des systèmes d'IA agentique, nous avons constaté que pour réussir avec cette technologie, il faut dépasser le battage médiatique, comprendre ce que la technologie peut faire et faire correspondre cette capacité à des opportunités claires de création de valeur. Cela nécessite également une approche pratique de l'expérimentation et de l'apprentissage de la mise en œuvre de systèmes multi-agents.
L'essor du paradigme du flux de travail agentique
Au cours des dernières années, la maturité de la technologie de l'IA a évolué rapidement en passant par au moins trois phases distinctes :
- Prompt (2022) : L'enthousiasme initial était centré sur les “power prompts”. Dans les démonstrations de concept (POC), les messages-guides semblaient fonctionner. Mais en production, la fiabilité a rapidement chuté. Les processus commerciaux exigent généralement une précision de 95-99%. Sur la base de l'expérience acquise dans plus de 50 cas, nous estimons que les messages-guides seuls dépassent rarement 70%.
- Génération améliorée par récupération (RAG, 2023) : RAG a amélioré la stabilité en ancrant les résultats de l'IA générique dans des bases de connaissances. Là encore, les POC étaient prometteurs, mais la complexité de la production a souvent révélé des faiblesses conduisant à une précision inacceptable.
- Systèmes agentiques (2024 à aujourd'hui) : Les avancées les plus récentes concernent des réseaux de petits agents spécialisés. Certains acheminent les questions. D'autres exécutent des tâches étroitement définies. D'autres encore vérifient et corrigent les résultats. La baisse du coût des jetons rend désormais les systèmes multi-agents en cascade commercialement viables. Cette conception en couches améliore considérablement la fiabilité.
Cet automne a été marqué par une explosion des initiatives commerciales dans le domaine de l'agentivité. OpenAI a lancé partenariats avec Stripe et Shopify. Google a annoncé son protocole de paiement pour les agents, qui automatise le processus d'achat et de transaction. Si les entreprises peuvent être tentées de suivre l'exemple des géants de la technologie, ce n'est peut-être pas là qu'émergera la première vague de valeur durable. En effet, dans une récente enquête de Bain auprès des consommateurs, 76% ont déclaré qu'ils ne se sentiraient pas à l'aise en utilisant des systèmes agentiques pour leurs achats - la plupart d'entre eux ont invoqué des préoccupations liées à la sécurité et à la protection de la vie privée pour expliquer leur réticence.
Les contextes de contact avec la clientèle ne conviennent pas aux capacités actuelles des agents d'intelligence artificielle. Ils sont désordonnés et imprévisibles ; les entrées ne sont pas structurées, le ton et le contexte changent constamment, et les régulateurs et les consommateurs ont peu de tolérance pour les hallucinations ou les erreurs. Systèmes multi-agents peut atteindre des niveaux élevés de précision, mais pour ce faire, il faut traiter chaque agent comme un enfant en bas âge. Vous ne demanderiez pas à un enfant en bas âge de mettre la table. Mais si vous décomposez la tâche et que vous le guidez pas à pas - “d'abord, posez une assiette”, “maintenant, ajoutez les fourchettes”, “ensuite, les verres” - l'enfant peut apporter une contribution significative. L'environnement doit également être contrôlé : pas de frères et sœurs bruyants, pas d'animaux distrayants et un seul parent qui donne des instructions. Mais en développant des systèmes multi-agents structurés de la même manière que vous donnez des instructions à un enfant en bas âge - en décomposant la tâche, en donnant les tâches une par une, en vérifiant l'exactitude des tâches - nous construisons des systèmes remarquablement précis.
Notamment, ces systèmes sont souvent destinés à des processus de back-end, où la perfection n'est pas essentielle parce qu'il y a un être humain dans la boucle. En revanche, même si les expériences en amont peuvent être une source d'inspiration, il est peu probable qu'elles constituent le premier domaine de création de valeur réelle pour l'entreprise. Les processus opérationnels et de backend sont un terrain fertile parce qu'ils sont structurés et répétitifs - beaucoup mieux adaptés à l'automatisation agentique des flux de travail. Des tâches étroitement délimitées, des environnements bien définis et des données d'entrée structurées peuvent donner lieu à des projets qui apportent une contribution significative.
Construire des systèmes agentiques au niveau de l'entreprise
À l'échelle de l'entreprise, la conception de ces systèmes est simple sur le plan conceptuel, mais exigeante sur le plan opérationnel. Dans le cadre général de la construction de systèmes multi-agents, 1) une tâche est envoyée à un agent routeur tel que Google ADK qui, à l'instar d'un parent donnant des instructions à un enfant en bas âge, divise la tâche en sous-tâches ; 2) les sous-tâches sont ensuite accomplies par des agents de tâches individuelles qui réalisent une plus petite partie de la tâche, comme le parent qui dit à un enfant en bas âge de poser les verres sur la table et à un autre de poser les fourchettes ; après quoi 3) les résultats de ces sous-tâches sont vérifiés par un agent de validation ; et 4) si une erreur est découverte, un agent d'amélioration recommande un ajustement.
Un écosystème d'outils, de méthodologies et de services en plein essor soutient cette approche, et ceux-ci sont excellents pour les processus secondaires. Mais lorsque vous passez aux opérations de base - où l'intégrité data et le contrôle des hallucinations sont essentiels - vous avez besoin d'agents codés sur mesure, d'une intégration plus poussée avec les systèmes d'entreprise et d'un meilleur contrôle et de la mise en place de garde-fous.
Un exemple concret : Réinventer les opérations sur le terrain
Pour illustrer ce propos, prenons l'exemple d'un projet que nous avons mené avec un grand fournisseur d'accès à Internet européen. Notre objectif était de réduire à la fois le temps de résolution et le coût des appels de service à résoudre. La plupart des gens ont déjà eu l'occasion d'appeler un service d'assistance pour une connexion défectueuse, de répéter plusieurs fois les mêmes informations et enfin d'attendre un technicien. Ce qui se passe (ou ne se passe pas) en coulisses est révélateur : les techniciens arrivent souvent avec un contexte incomplet et sont obligés de partir de zéro pour résoudre le problème. Il en résulte de longs temps d'arrêt - parfois plus d'un mois - et des milliers d'heures de travail perdues pour les opérateurs.
Nous avons décidé de commencer modestement. Nous nous sommes concentrés sur la construction d'un système destiné à aider les techniciens à accomplir leurs tâches plus rapidement et plus efficacement - une aide dans le processus, et non un agent autonome. Dans le cadre de cet effort, nous avons intégré data à partir de plus de 15 systèmes d'information, fournissant aux techniciens un résumé des défaillances signalées et un historique des solutions essayées. Ils avaient ainsi une vue d'ensemble de la tâche - par exemple, le dépannage de la connexion d'un client - qu'ils pouvaient lire ou écouter en se rendant sur place. Ils pouvaient ainsi commencer à travailler à la résolution du problème dès leur arrivée, ce qui leur permettait d'économiser le temps qu'ils perdaient souvent à se familiariser avec le problème.
Ensuite, nous avons créé une fonction qui génère des recommandations sur la meilleure action à entreprendre pour résoudre le problème. Une autre fonction comprenait une interface conversationnelle qui permettait au technicien d'interroger les systèmes informatiques sous-jacents de la société Internet en langage naturel pour trouver les causes profondes. Enfin, nous avons automatisé de nombreuses actions simples et répétitives : par exemple, la correction des enregistrements CRM lorsque le mauvais ménage était lié ou le déclenchement de réinitialisations du réseau lorsqu'un commutateur fonctionnait mal dans la boîte de connexion du quartier central. Cela a permis au technicien de gagner énormément de temps, car il n'a pas eu à appeler le centre d'appel interne pour qu'il l'aide à effectuer les petits changements nécessaires à la réparation.
Pendant huit mois, nous avons travaillé de manière itérative - en cartographiant les processus, en corrigeant les points problématiques et en ajoutant des fonctionnalités étape par étape, avec un retour d'information hebdomadaire de la part des techniciens de terrain qui testaient la solution basée sur la tablette.
Les résultats :
- 60% réduction du temps de résolution
- Plus d'un million d'euros économisés de manière récurrente sur une base annuelle
- Amélioration significative de la satisfaction des clients score de promoteur net
Sur la base de ces résultats, le client souhaitait que le projet soit étendu à sept autres régions. Cela a demandé beaucoup plus de travail : La méthodologie et certains composants de l'agent étaient réutilisables, mais chaque région avait des systèmes informatiques différents. Chaque déploiement a nécessité de nouvelles intégrations et de nouveaux mappages data. L'extension à chacune des sept régions a nécessité la moitié de l'effort initial, soit un par région ajoutée.
Les défis de la mise en œuvre des systèmes multi-agents
Comme illustré ci-dessus, la mise en œuvre de systèmes multi-agents peut créer une valeur réelle, mais trop peu de gens parlent du travail réel de mise en œuvre. Quelles ont été les réalités et les obstacles auxquels nous avons été confrontés ?
Tester rapidement ou augmenter l'échelle.
L'avons-nous conçu dès le départ dans une architecture évolutive ? Même si nous aimerions le prétendre, cela aurait été impossible. Tout comme les innovateurs découvrent de manière itérative l'adéquation produit-marché, les cas d'utilisation du système multi-agents et la solution ont évolué de manière itérative au fur et à mesure que nous nous engagions dans un cycle d'expérimentation rapide. En outre, la technologie, la méthodologie et les services permettant de construire ces systèmes ont évolué rapidement.
Nous n'avons pas commencé avec le système complet. Au lieu de cela, nous avons commencé avec un LLM et un RAG comme pièce centrale pour résoudre essentiellement le premier cas d'utilisation. Au fur et à mesure des tests, nous avons appris que nous devions diviser le système en agents plus petits effectuant des tâches plus spécialisées afin d'accroître la fiabilité ; peu à peu, nous avons évolué vers un système entièrement agentique. Finalement, nous avons mis au point un système très fiable et fonctionnel qui apporte de la valeur. Forts de ces connaissances et des résultats que nous avons obtenus, nous sommes en train de le reconstruire dans une architecture qui est beaucoup plus robuste pour faire évoluer d'autres parties de l'entreprise et qui peut être plus facilement maintenue.
Zones à problèmes et causes profondes.
En règle générale, nous avons constaté que les dirigeants et les cadres intermédiaires savent à peu près quels processus demandent beaucoup de temps ou d'efforts, mais qu'ils ont des opinions mal informées sur la complexité et les opportunités. Seuls les opérateurs le savent. Il en résulte que vous devez faire deux choses avant de commencer à construire : 1) passer suffisamment de temps à comprendre les problèmes du point de vue de l'encadrement, mais aussi 2) discuter avec les opérateurs de ce qu'ils considèrent comme la cause première d'un problème donné.
Par exemple, les responsables nous indiquaient les parties du processus où le temps ou les ressources étaient gaspillés (par exemple, dans le centre de services partagés) et nous demandaient de chercher à trouver les bons “éléments de connaissance” pour que l'opérateur puisse résoudre plus rapidement un problème. Cependant, lorsque nous avons commencé à travailler directement avec les opérateurs, nous avons constaté que la moitié d'entre eux trouvaient les “éléments de connaissance” en 10 secondes, tandis que l'autre moitié mettait des minutes à trouver la même information parce qu'elle n'était pas douée pour la recherche dans le système. Ce n'est pas un problème que l'IA agentique peut bien résoudre - c'est un problème de formation. Mais nous avons également découvert que les dirigeants et les managers avaient complètement négligé le fait que les opérateurs passaient environ 50% de leur temps à remplir le CRM après les appels des clients. C'est un bon problème pour un agent, qui peut transcrire l'appel et mettre toutes les informations dans les bons champs, ce qui accélère considérablement le processus et améliore la qualité de data. L'opérateur n'a plus qu'à vérifier et à appuyer sur OK.
Ce ne sont pas les systèmes informatiques qui vous ralentissent, mais les personnes.
Les parties les plus complexes et les plus exigeantes de notre travail ont été de participer aux bonnes discussions de gestion, de convaincre les parties prenantes, et d'identifier et de résoudre les dépendances qui se sont produites à cause de notre travail. L'intégration avec une douzaine de systèmes informatiques pour faire fonctionner la solution est complexe d'un point de vue technologique, mais le vrai défi est que tous ces systèmes ont leurs propres équipes de développement avec des calendriers, des priorités et des feuilles de route différents. Rendre les points d'extrémité de l'API disponibles et les tester peut représenter deux semaines de travail. Se plonger dans les feuilles de route respectives de ces systèmes a pris beaucoup, beaucoup plus de temps. La plupart des équipes avec lesquelles nous avons coordonné nos activités ont dépriorisé ce travail pendant plusieurs mois, affirmant (probablement avec raison de leur point de vue) qu'elles avaient des tâches plus importantes à accomplir en priorité.
Les modèles peuvent et vont avoir des hallucinations.
Les agents sont encore assez instables et peuvent avoir des hallucinations, ce qui nécessite des garde-fous et des contrôles solides sous la forme de LLM-as-a-judge (l'agent de validation). L'invite système de l'agent doit être suffisamment forte et pourtant suffisamment légère pour que l'agent exécute les tâches correctement. Cela demande de la nuance, du temps et des compétences en science et en ingénierie data pour que ces systèmes agentiques fonctionnent avec une fiabilité suffisante pour les laisser fonctionner dans votre entreprise. En d'autres termes, de bons développeurs et de l'expérience dans le domaine des affaires sont toujours d'actualité.
La nouvelle discipline de la transformation agentique
Quelles leçons plus générales pouvons-nous tirer de ce cas ? À bien des égards, on a l'impression de redécouvrir le travail d'ingénierie Lean à partir de la base. La différence est que les outils d'aujourd'hui sont beaucoup plus puissants et permettent non seulement une optimisation progressive, mais aussi une refonte complète des processus, y compris au sein des différents départements.
Au-delà des capacités de data et d'IA, le succès dépend d'une connaissance approfondie des processus - comprendre l'état actuel, envisager l'état futur et le traduire en petites étapes réalisables. En ce sens, nous assistons au retour de l'approche “Ceintures noires allégées,mais cette fois, ils sont alimentés par une IA géniale.
Il s'agit d'un travail minutieux et méthodique, qui n'a rien de prestigieux. Vous devez avancer pas à pas. L'approche est basée sur la méthode et non sur la magie. Chaque nouveau secteur d'activité nécessite une nouvelle analyse et une adaptation personnalisée.
Les agents entièrement autonomes sont encore loin. Pour l'instant, la configuration la plus efficace maintient un humain dans la boucle, ce qui rend l'opérateur plus intelligent, plus rapide et mieux équipé.
Les progrès sont d'abord progressifs. Ce n'est que lorsque les systèmes centraux sont connectés et que l'information circule de manière fluide que des gains d'efficacité importants apparaissent.
La technologie évolue également plus vite que les projets. Les outils que nous utilisions il y a huit mois sont déjà dépassés. C'est pourquoi nous nous concentrons sur les cas d'utilisation dont le retour sur investissement est inférieur à un an, avant que la technologie sous-jacente n'évolue.
Plus important encore, les entreprises doivent renforcer leurs capacités internes - ingénieurs data, scientifiques data, concepteurs UX gen AI, et ce que certains appellent aujourd'hui ingénieurs contextuels ou ceintures noires gen AI : des personnes qui comprennent profondément les processus et peuvent décomposer la transformation en étapes réalisables. Le développement de ces capacités en tant qu'entreprise vous permettra de créer de nouveaux flux de travail agentiques plus rapidement (au fur et à mesure que la technologie évolue), ce qui peut constituer un véritable facteur de différenciation par rapport à la concurrence.
Enfin, même si ces initiatives finiront par s'intégrer dans les activités normales de l'entreprise, il est essentiel de les démarrer avec une gouvernance solide, qui associe les perspectives techniques et commerciales. C'est cet équilibre qui transforme l'expérimentation en transformation.
La décennie à venir
L'engouement pour l'IA a peut-être dépassé son adoption, mais son potentiel est bien réel. Comme les révolutions de l'internet et des smartphones avant elle, ce changement de plateforme va remodeler les industries, non pas en les perturbant du jour au lendemain, mais en les réinventant de manière disciplinée pendant des années.
Les organisations gagnantes ne se contenteront pas d'adopter des outils ; elles se donneront les moyens de se réinventer en permanence grâce à eux.
