L'adoption par les consommateurs reste également relativement faible. Malgré l'utilisation de mots tels que « révolution »,data que la plupart des utilisateurs s'y connectent plutôt chaque semaine que chaque jour, contrairement à l'utilisation plus fréquente des réseaux sociaux ou des plateformes telles que Google. Cela suggère que l'IA générique n'est pas encore devenue une véritable habitude chez les consommateurs. Les gens l'utilisent occasionnellement, parfois de manière intensive, mais elle n'est pas encore devenue un élément fondamental de la vie quotidienne. En d'autres termes, le battage médiatique devance encore la réalité.
Malgré ces rapports, nous pensons que l'IA générique représente un changement fondamental d'une ampleur comparable à celle de l'Internet ou du smartphone. L'Internet nous a apporté environ deux décennies d'innovation et de création d'entreprises. La révolution du smartphone a généré 15 années de croissance alimentée par les applications mobiles. Nous pensons que l'IA générique va entraîner une ère de transformation similaire, peut-être une décennie ou plus de création de nouvelle valeur.
Ce schéma est courant avec les nouvelles technologies (optimisme excessif suivi d'une désillusion, puis d'une création de valeur réelle, souvent illustré parle cycle de hype de Gartner). À notre avis, bon nombre des principaux promoteurs de l'IA exagèrent lorsqu'ils affirment avec audace que des pans entiers de l'économie seront bientôt remplacés par l'IA. En effet, la mise en place d'une IA réelle et fonctionnelle dans des entreprises bien établies est un travail difficile : elle nécessite data relativement propres, une cartographie des processus et une expérimentation approfondie, et même dans ces conditions, elle requiert souvent l'intervention humaine. 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 pourrait 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 va se passer dans 10 ans. Ils devraient plutôt se demander ce qu'ils peuvent réellement accomplir dans les deux prochaines années. D'après les projets que nous avons menés depuis fin 2024, l'IA agentique s'avère être un véritable facteur de changement (du moins à court terme), apportant une réelle valeur ajoutée aux entreprises. La réalité est également que les gains financiers par projet sont bons, mais aucun d'entre eux n'est spectaculaire. Ces gains progressifs s'apparentent au Lean, une comparaison que le PDG de Microsoft,Satya Nadella, a également faite.
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 aller au-delà du 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 pour expérimenter et apprendre la mise en œuvre de systèmes multi-agents.
L'essor du paradigme du workflow agentique
Au cours des dernières années, la technologie de l'IA a connu une évolution rapide vers la maturité, passant par au moins trois phases distinctes :
- Prompting (2022) :Au début, l'enthousiasme était surtout pour les « power prompts ». Dans les preuves de concept (POC), les prompts semblaient marcher. Mais en production, leur fiabilité a vite baissé. Les processus commerciaux demandent généralement une précision de 95 à 99 %. D'après notre expérience sur plus de 50 cas, on dirait que le prompting seul dépasse rarement les 70 %.
- Génération augmentée par la récupération (RAG, 2023) :la RAG a amélioré la stabilité en ancrant les résultats de l'IA générative à des bases de connaissances. Là encore, les preuves de concept semblaient prometteuses, mais la complexité de la production a souvent révélé des faiblesses conduisant à une précision inacceptable.
- Systèmes agentiels (2024 à aujourd'hui) :les avancées les plus récentes concernent les réseaux de petits agents spécialisés. Certains acheminent les questions. D'autres exécutent des tâches strictement définies. D'autres encore vérifient et corrigent les résultats. Surtout, 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 vu une explosion d'initiatives commerciales liées aux agents. OpenAI a lancédes partenariats avec Stripe et Shopify.Google a annoncé son protocole de paiement par agent, 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 que la première vague de valeur durable émergera. Dans unerécente enquête menée par Bain auprès des consommateurs, 76 % ont déclaré qu'ils ne se sentiraient pas à l'aise d'utiliser des systèmes d'agents pour leurs achats, la plupart citant des préoccupations liées à la sécurité et à la confidentialité comme raison de leur réticence.
Les contextes en contact avec la clientèle ne conviennent pas aux capacités actuelles des agents IA. Ils sont chaotiques et imprévisibles ; les données sont non structurées, le ton et le contexte changent constamment, et les régulateurs et les consommateurs ont peu de tolérance pour les hallucinations ou les erreurs. Les systèmes multi-agentspeuventatteindre des niveaux de précision élevés, mais pour cela, il faut traiter chaque agent individuel comme un enfant en bas âge. Vous ne demanderiez pas à un enfant en bas âge de mettre la table pour le dîner. Mais si vous divisez la tâche et le guidez étape par étape (« d'abord, pose une assiette », « maintenant, ajoute les fourchettes », « ensuite, les verres »), l'enfant peut apporter une contribution significative. Il est essentiel de contrôler l'environnement : pas de frères et sœurs bruyants, pas d'animaux domestiques distrayants, et un seul parent pour donner les instructions. Mais en développant des systèmes multi-agents structurés comme vous donnez des instructions à un enfant en bas âge (diviser la tâche, donner les instructions une par une, vérifier la précision des tâches), nous construisons des systèmes remarquablement précis.
Il convient de noter que ces systèmes sont souvent destinés à des processus back-end, où la perfection n'est pas essentielle, car un être humain intervient dans le processus. En revanche, si les expériences front-end peuvent être source d'inspiration, elles ont peu de chances d'être le premier domaine à créer une réelle valeur pour l'entreprise. Les processus back-end et opérationnels constituent un terrain fertile, car ils sont structurés et répétitifs, ce qui les rend beaucoup plus adaptés à l'automatisation des flux de travail par des agents. Des tâches à portée limitée, des environnements bien définis et des entrées structurées peuvent donner lieu à des projets qui apportent une contribution significative.
Construire des systèmes agentifs 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. En tant que cadre général pour la création 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 individuels qui réalisent une partie plus petite de la tâche, comme un parent qui demande à un enfant 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 détectée, un agent d'amélioration recommande un ajustement.
Un écosystème en pleine expansion d'outils, de méthodologies et de services soutient cette approche, qui est excellente pour les processus non essentiels. Mais lorsque vous passez aux opérations essentielles, où data et le contrôle des hallucinations sont essentiels, vous avez besoin d'agents codés sur mesure, d'une intégration plus profonde avec les systèmes d'entreprise et d'un meilleur contrôle et de meilleures protections.
Exemple concret : réinventer les opérations sur le terrain
Pour illustrer cela, prenons l'exemple d'un projet que nous avons réalisé avec un grand fournisseur d'accès Internet européen. Notre objectif était de réduire à la fois le temps de résolution et le coût des interventions techniques. La plupart des gens ont déjà appelé un service d'assistance pour signaler une connexion défectueuse, répété plusieurs fois les mêmes informations et finalement attendu l'arrivée d'un technicien. Ce qui se passe (ou ne se passe pas) en coulisses est révélateur : les techniciens arrivent souvent sans disposer de toutes les informations nécessaires et sont contraints de résoudre le problème à partir de zéro. Cela entraîne de longues périodes d'indisponibilité, parfois supérieures à 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 mise en place d'un système visant à aider les techniciens à accomplir leurs tâches plus rapidement et plus efficacement, un assistant dans le processus, et non un agent autonome. Dans le cadre de cette initiative, nous avons intégré data plus de 15 systèmes d'information, fournissant aux techniciens un résumé des pannes signalées et un historique des solutions qui avaient été essayées. Cela leur a donné une vue d'ensemble de la tâche à accomplir, par exemple le dépannage de la connexion d'un client, qu'ils pouvaient lire ou écouter pendant leur trajet vers le lieu d'intervention. Ainsi, ils pouvaient commencer à travailler dès leur arrivée, ce qui leur permettait de gagner du temps qu'ils auraient souvent perdu à se familiariser avec le problème.
Ensuite, nous avons créé une fonctionnalité qui générait des recommandations sur la meilleure action à entreprendre pour résoudre le problème. Une autre fonctionnalité comprenait une interface conversationnelle qui permettait au technicien d'interroger les systèmes informatiques sous-jacents de l'entreprise Internet en langage naturel afin de trouver les causes profondes du problème. Enfin, nous avons automatisé de nombreuses actions simples et répétitives, telles que la correction des enregistrements CRM lorsque le mauvais foyer était associé ou le déclenchement de réinitialisations du réseau en cas de dysfonctionnement d'un commutateur dans le boîtier de connexion central du quartier. Cela a permis aux techniciens de gagner un temps considérable, car ils n'avaient plus besoin d'appeler le centre d'appels interne pour obtenir de l'aide afin d'effectuer de petites modifications pour résoudre le problème.
Pendant huit mois, nous avons travaillé de manière itérative, en cartographiant les processus, en corrigeant les points faibles et en ajoutant des fonctionnalités étape par étape, avec des retours hebdomadaires des techniciens de terrain qui testaient la solution sur tablette.
Les résultats :
- Réduction de 60 % du temps de résolution
- Plus d'un million d'euros économisés chaque année
- Amélioration significative dutaux de recommandation net des clients
Sur la base de ces résultats, le client souhaitait étendre le projet à sept autres régions. Cela a nécessité beaucoup plus de travail : la méthodologie et certains composants de l'agent étaient réutilisables, mais chaque région disposait de systèmes informatiques différents. Chaque déploiement nécessitait de nouvelles intégrations et data nouveaux data . L'extension à chacune des sept régions a nécessité la moitié de l'effort initial par rapport à l'ajout d'une région supplémentaire.
Les défis liés à la mise en œuvre des systèmes multi-agents
Comme illustré ci-dessus, les implémentations de systèmes multi-agents peuvent créer une réelle valeur ajoutée, mais trop peu de gens parlent du travail réel nécessaire à leur mise en œuvre. Quelles ont été les réalités et les obstacles auxquels nous avons été confrontés ?
Tester rapidement ou passer à l'échelle supérieure.
Avons-nous dès le départ mis en place une architecture évolutive performante ? Même si nous aimerions pouvoir l'affirmer, cela aurait été impossible. Tout comme les innovateurs découvrent progressivement l'adéquation entre un produit et son 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. Parallèlement, la technologie, la méthodologie et les services nécessaires à la mise en place de 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 éléments centraux pour résoudre le premier cas d'utilisation. Au fur et à mesure des tests, nous avons compris que nous devions diviser le système en agents plus petits chargés de tâches plus spécialisées afin d'accroître la fiabilité. Peu à peu, cela a évolué vers un système entièrement agentique. Finalement, nous avons développé un système hautement fiable et fonctionnel qui apporte de la valeur ajoutée. Forts de ces connaissances et des résultats obtenus, nous le reconstruisons actuellement pour en faire une architecture beaucoup plus robuste, capable de s'adapter à d'autres parties de l'entreprise et plus facile à entretenir.
Zones problématiques vs causes profondes.
En règle générale, nous avons constaté que les dirigeants et les cadres intermédiaires savent à peu près quels processus prennent beaucoup de temps ou d'efforts, mais qu'ils ont des opinions mal informées sur les points complexes et les opportunités. Seuls les opérateurs le savent. Cela signifie que vous devez faire deux choses avant de pouvoir vraiment commencer à construire : 1) passer suffisamment de temps à comprendre les problèmes du point de vue des managers, mais aussi 2) discuter avec les opérateurs de ce qu'ils considèrent comme la cause profonde d'un problème donné.
Par exemple, les responsables nous indiquaient les étapes du processus où du temps ou des ressources étaient gaspillés (par exemple, dans le centre de services partagés) et nous demandaient de rechercher les « éléments de connaissance » appropriés pour permettre à l'opérateur de 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 moins de 10 secondes, tandis que l'autre moitié mettait plusieurs minutes à trouver les mêmes informations, car ils ne savaient pas bien utiliser le système de recherche. Ce n'est pas un problème que l'IA agentielle peut résoudre efficacement, c'est une question de formation. Mais nous avons également découvert que les dirigeants et les responsables 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 saisir toutes les informations dans les champs appropriés, ce qui accélère considérablement le processus et améliore 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 gens.
Les aspects les plus complexes et les plus exigeants de notre travail ont été d'engager les bonnes discussions avec la direction, de convaincre les parties prenantes et d'identifier et de résoudre les dépendances qui ont surgi à cause de notre travail. L'intégration d'une douzaine de systèmes informatiques pour faire fonctionner la solution est complexe d'un point de vue technologique, mais le véritable défi réside dans le fait que tous ces systèmes ont leurs propres équipes de développement avec des calendriers, des priorités et des feuilles de route différents. La mise à disposition des points de terminaison API et leur test peuvent représenter deux semaines de travail. L'intégration dans les feuilles de route respectives de ces systèmes a pris beaucoup plus de temps. La plupart des équipes avec lesquelles nous avons coordonné nos efforts ont relégué ce travail au second plan pendant plusieurs mois, affirmant (probablement à juste titre de leur point de vue) qu'elles avaient des tâches plus importantes à accomplir en priorité.
Les modèles peuvent avoir des hallucinations et en auront.
Les agents sont encore assez instables et peuvent avoir des hallucinations, ce qui nécessite des garde-fous et des contrôles solides sous la forme d'un LLM-as-a-judge (l'agent de validation). Les invites système de l'agent doivent être suffisamment solides, mais aussi suffisamment légères pour que l'agent puisse exécuter correctement ses tâches. Cela nécessite de la nuance, du temps et des compétences data et data pour que ces systèmes agentiels fonctionnent avec une fiabilité suffisante pour pouvoir être utilisés dans votre entreprise. En d'autres termes, de bons développeurs et une expérience dans le domaine des affaires sont toujours très importants.
La nouvelle discipline de la transformation agentique
Quels enseignements plus généraux pouvons-nous tirer de ce cas ? À bien des égards, cela ressemble à une redécouverte du Lean, c'est-à-dire à une refonte complète du travail. La différence réside dans le fait que les outils actuels sont beaucoup plus puissants, permettant non seulement une optimisation progressive, mais aussi une refonte complète des processus, même entre différents services.
Au-delà data des capacités de l'IA, le succès dépend d'une connaissance approfondie des processus : comprendre l'état actuel, envisager l'état futur et traduire cela en petites étapes réalisables. En ce sens, nous assistons au retour des« Lean Black Belts », mais cette fois-ci, ils sont alimentés par l'IA générique.
Le travail est minutieux et méthodique, sans être prestigieux. Il faut procéder étape par étape. L'approche repose sur la méthode, et non sur la magie. Chaque nouveau domaine d'activité nécessite une nouvelle analyse et une adaptation sur mesure.
Les agents entièrement autonomes sont encore loin d'être une réalité. Pour l'instant, la configuration la plus efficace consiste à garder un humain dans la boucle, afin de rendre l'opérateur plus intelligent, plus rapide et mieux équipé.
Au début, les progrès sont graduels. Ce n'est que lorsque les systèmes centraux sont connectés et que l'information circule librement que l'on constate des gains d'efficacité importants.
La technologie évolue également plus rapidement que les projets. Les outils que nous utilisions il y a huit mois sont déjà obsolètes. C'est pourquoi nous nous concentrons sur les cas d'utilisation qui sont rentables en moins d'un an, avant que la technologie sous-jacente ne change.
Plus important encore, les entreprises doivent développer leurs capacités internes :data , data , concepteurs d'expérience utilisateur en IA générique et ce que certains appellent désormais des ingénieurs contextuels ou des ceintures noires en IA générique, c'est-à-dire des personnes qui comprennent parfaitement les processus et sont capables de décomposer la transformation en étapes réalisables. Le développement de ces capacités au sein de votre entreprise vous permettra de créer plus rapidement de nouveaux flux de travail agentifs (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 opérations commerciales normales, il est essentiel de les lancer avec une gouvernance solide, qui allie les perspectives techniques et commerciales. C'est cet équilibre qui transforme l'expérimentation en transformation.
La décennie à venir
Le battage médiatique autour de l'IA générique a peut-être dépassé son adoption, mais son potentiel est bien réel. À l'instar des révolutions précédentes de l'Internet et des smartphones, cette évolution de plateforme va transformer les industries, non pas par une disruption soudaine, mais par des années de réinvention disciplinée.
Les organisations qui réussissent ne se contentent pas d'adopter des outils ; elles développent la capacité de se réinventer en permanence grâce à eux.
