De l’automatisation à la cognition: L’évolution de l’IA agentique

Pendant des décennies, l’automatisation des entreprises a suivi une logique familière: définir le processus, coder les étapes et laisser le logiciel les exécuter de façon cohérente. Les scripts automatisaient les commandes, les runbooks cons cons ? (les runbooks) capturaient les procédures, l’orchestration connectait les tâches entre les systèmes, et l’AIOps a introduit l’apprentissage automatique dans le volume croissant de données opérationnelles. Chaque avancée rendait l’automatisation plus performante, mais les humains prenaient encore la plupart des décisions. Ils définissaient le processus ; le logiciel l’exécutait.

Agentic AI change cette relation. Au lieu de commencer avec un jeu d’instructions fixes, un agent peut partir d’un objectif et déterminer comment le poursuivre dans des limites définies. Cela nécessite plus que la génération d’une réponse. Le système doit interpréter le but, rassembler le contexte pertinent, évaluer les preuves, utiliser la mémoire, choisir parmi les outils ou les automatisations, et s’ajuster au fur et à mesure que les conditions évoluent. Anthropic établit une distinction similaire entre les flux de travail, où les modèles et les outils suivent des chemins de code prédéfinis, et les agents, où le modèle peut diriger dynamiquement son propre processus et l’utilisation des outils.

De l’exécution déterministe aux décisions adaptatives

Rien de tout cela ne rend l’automatisation traditionnelle obsolète. L’automatisation déterministe reste au contraire la bonne réponse lorsque le chemin entre une condition connue et une action est bien compris. Si un service échoue à un contrôle d’état, redémarrez-le. Si une demande répond à des critères précis, dirigez-la vers la file appropriée. Si une interface franchit un seuil, ouvrez un ticket et lancez un diagnostic. Ce sont précisément les actions répétables que l’automatisation exécute bien.

L’AIOps a étendu ce modèle en aidant les organisations à interpréter la situation avant le déclenchement d’une automatisation : corréler les événements, repérer les anomalies, réduire le bruit et ajouter du contexte. L’IA agentique franchit l’étape suivante en introduisant du jugement entre le signal et l’action. La question n’est plus seulement « Quel workflow cette condition déclenche-t-elle ? », mais « Compte tenu de l’objectif et des éléments dont nous disposons maintenant, quelle est la meilleure prochaine étape ? »

Prenons un service qui se dégrade. Avant de décider quoi faire, un agent peut devoir examiner la télémétrie, la topologie, les changements récents, les tickets, les données de configuration, les incidents historiques et l’impact métier. Dans un cas, les éléments peuvent indiquer une correction connue ; dans un autre, l’agent devra recueillir davantage d’informations ou exécuter un diagnostic en lecture seule. Lorsque l’impact potentiel est élevé ou que les éléments ne sont pas concluants, la bonne décision peut être de faire intervenir une personne. La véritable évolution réside dans cette capacité à adapter le chemin selon ce que le système découvre.

Le contexte et la mémoire modifient la qualité de la décision

L’autonomie sans contexte est peu utile. Un même symptôme peut avoir une signification totalement différente selon la topologie, les opérations de maintenance, les changements récents, les dépendances ou l’impact sur les clients. Les opérateurs expérimentés le comprennent intuitivement : ils prennent rarement une décision lourde de conséquences à partir d’un signal isolé. Ils reconstituent une vue d’ensemble, distinguent l’observation de l’inférence et évaluent le niveau de confiance que méritent les éléments disponibles.

Memory adds another dimension. Google Cloud identifie la mémoire comme composante essentielle des architectures agentiques, car elle aide les agents à conserver le contexte et à exploiter les informations issues des interactions antérieures. Dans les opérations, la possibilité va bien au-delà de la simple récupération d’un ancien ticket. Une mémoire opérationnelle utile peut conserver ce qui s’est produit lorsque des conditions semblables sont apparues, l’hypothèse qui s’est révélée correcte, la mesure corrective tentée, son succès ou son annulation, ainsi que les enseignements tirés ensuite par les opérateurs. Une fois validée, cette expérience peut servir d’élément pour la décision suivante au lieu de disparaître dans un compte rendu d’incident ou de rester dans la tête d’un expert.

Il existe un parallèle intéressant avec les sciences cognitives. Les recherches sur la délégation cognitive étudient la manière dont les personnes utilisent des outils et des actions externes pour réduire la charge mentale d’une tâche, tandis que les recherches sur l’utilisation des outils ont montré que les interactions répétées avec les outils peuvent modifier la façon dont les personnes se représentent leur portée pratique et leur capacité d’action. Il ne faut pas prendre au pied de la lettre l’analogie avec l’IA d’entreprise, mais l’idée sous-jacente est utile : les outils ne font pas que gagner du temps. Avec le temps, ils peuvent changer notre façon d’aborder un problème. Les célèbres recherches sur les chauffeurs de taxi londoniens et leur expertise de la navigation rappellent également qu’une expérience durable peut façonner la cognition elle-même. Pour les entreprises, la question de conception ne consiste donc pas seulement à déterminer la quantité de travail qu’un agent peut prendre en charge, mais à savoir si le système formé par l’humain et l’agent devient plus apte à comprendre la complexité et à agir sur elle.

Les agents doivent orchestrer l’automatisation, pas la remplacer

C’est aussi pourquoi je ne vois pas l’IA agentique comme un rejet de l’automatisation. Plus tôt dans ma carrière, j’ai passé des années à créer des systèmes d’automatisation des opérations, et j’en ai retenu une leçon : l’exécution ne suffit pas. L’automatisation doit gagner la confiance. Les opérateurs doivent être certains que la bonne action est appliquée à la bonne situation, avec l’autorité appropriée et suffisamment d’éléments pour en comprendre la raison.

Une architecture agentique pragmatique s’appuie sur cet investissement. Les scripts, workflows, API, plateformes d’orchestration et outils propres à un domaine deviennent des capacités que l’agent peut appeler au moment opportun. Si les éléments justifient une correction connue, l’agent peut utiliser l’automatisation éprouvée plutôt que d’improviser une nouvelle action. Si les informations sont incomplètes, il peut approfondir l’enquête. La valeur vient de l’association d’une exécution fiable et d’une prise de décision plus adaptative sur le moment et la manière d’exécuter.

Plus d’autonomie rend la gouvernance plus importante

Dès qu’un logiciel peut choisir entre plusieurs actions, la gouvernance ne peut plus être ajoutée après coup. Un agent d’entreprise doit comprendre non seulement ce qu’il est techniquement capable de faire, mais aussi ce qu’il est autorisé à faire dans un environnement donné, pour un niveau de risque donné et sous une identité ou un rôle particulier. NIST’s AI Risk Management Framework reflète cette vision élargie de la gouvernance en organisant la gestion des risques liés à l’IA autour de quatre fonctions — gouverner, cartographier, mesurer et gérer — la gouvernance s’exerçant dans toutes les autres fonctions.

En pratique, un agent doit pouvoir présenter les éléments qui sous-tendent une recommandation, indiquer clairement les systèmes et les données utilisés, rendre l’incertitude visible, respecter les exigences d’approbation et laisser une piste d’audit de ce qui s’est produit. La réversibilité compte également : un diagnostic en lecture seule et une modification de configuration en production ne devraient pas avoir le même seuil d’autonomie.

La supervision humaine devient donc plus précise au lieu de simplement disparaître. Le même agent peut recueillir des éléments de façon autonome, recommander une correction, exiger une approbation avant une action plus risquée, puis vérifier si l’action approuvée a réellement fonctionné. L’objectif n’est pas de déclarer que l’humain se trouve toujours « dans » ou « hors » de la boucle, mais de placer son jugement aux endroits où il apporte le plus de valeur.

Le véritable avantage réside dans ce qui se passe après l’action

La différence la plus déterminante apparaît peut-être après l’exécution d’une action. L’automatisation traditionnelle demande généralement si le workflow s’est exécuté correctement. Un système cognitif doit poser une question plus difficile : l’action a-t-elle produit le résultat voulu, et que devons-nous apprendre de ce qui s’est passé ?

Cela transforme la valeur de la boucle de rétroaction. Une correction réussie peut renforcer les éléments en faveur d’une intervention similaire à l’avenir. Une hypothèse erronée doit réduire la probabilité que le système répète le même raisonnement. La correction d’un opérateur peut améliorer la prochaine recommandation, tandis qu’un retour arrière peut révéler que le niveau de confiance dépassait ce que justifiaient les éléments disponibles. Avec le temps, l’actif important n’est pas simplement une bibliothèque d’automatisations plus vaste, mais la relation accumulée entre situations, éléments, décisions, actions et résultats.

Sous cet angle, l’évolution de l’automatisation d’entreprise consiste moins à remplacer une génération de technologie par une autre qu’à ajouter de nouvelles capacités autour de ce qui fonctionne déjà. Les scripts ont codé les actions, les procédures d’exploitation ont consigné les méthodes, l’orchestration les a reliées et l’AIOps a aidé à interpréter des signaux opérationnels toujours plus complexes. L’IA agentique ajoute la capacité à poursuivre des objectifs, raisonner à partir du contexte et des éléments disponibles, exploiter la mémoire, choisir parmi les capacités accessibles, agir dans des limites gouvernées et apprendre du résultat.

L’aboutissement ne devrait pas être une autonomie illimitée, mais une autonomie responsable : des systèmes capables de reconnaître quand agir, quand enquêter, quand demander une autorisation et quand s’arrêter. Voilà le passage de l’automatisation à la cognition : non pas des machines remplaçant les opérations humaines, mais des entreprises développant une meilleure façon de percevoir, décider, agir et apprendre.