Les agents aident à optimiser les flux de travail de l’IA, mais l’élément humain reste critique pour le ROI

Le paysage de l’IA a subi un changement fondamental. Les organisations, qui ont eu du mal à extraire une valeur maximale de l’IA, sont de plus en plus proactives dans leurs approches et adoptent les agents. Auparavant, le modèle dominant d’interaction avait été en grande partie réactif – centré sur le cloud et dépendant des utilisateurs pour activer les modèles. Cependant, à mesure que les machines deviennent plus intelligentes, des modèles d’agents ont émergé, nécessitant moins d’interaction humaine pour que les systèmes intelligents exécutent des tâches complexes de manière proactive.

Cependant, même si l’IA d’agents constitue un départ par rapport aux systèmes d’IA traditionnels à portée étroite, optimiser l’opportunité consiste à augmenter les capacités des travailleurs, et non à les remplacer.

Les agents ont été conçus pour comprendre les objectifs à plusieurs étapes ; planifier et séquencer des actions ; et interagir avec plusieurs ressources pour atteindre des objectifs de manière autonome. Par exemple, un agent d’IA qui peut apprendre vos préférences, vos contraintes financières et vos priorités, peut utiliser ces informations pour négocier un achat de manière indépendante. Ce scénario se déroule actuellement, car cette capacité évolutive redéfinit la façon dont nous pensons l’IA d’entreprise et de consommation.

Cependant, pour qu’il soit vraiment pratique, sécurisé et utile, les flux de travail sous-jacents aux agents doivent être éclairés par une intelligence en temps réel. Ce type de connaissance nécessite une assise d’architecture d’IA hybride – un écosystème qui répartit stratégiquement les charges de travail entre les appareils, les périphériques et le cloud – tous gérés par des équipes de travailleurs de la connaissance.

Pourquoi l’IA hybride est-elle indispensable

L’IA d’agents prospère sur le contexte, qui implique souvent des données personnelles ou organisationnelles sensibles, ce qui signifie que le cloud introduit des risques de confidentialité légitimes. Cependant, l’IA hybride maintient le traitement des données et la prise de décision sur des appareils locaux de confiance ou dans des environnements sécurisés. L’IA fonctionne là où se trouvent les données, réduisant ainsi l’exposition et s’alignant sur les réglementations de souveraineté des données.

Une autre exigence importante est la personnalisation, qui est étroitement liée à la question de la confidentialité des données. Dans l’exemple précédent de l’agent d’achat, les préférences et les contraintes de l’utilisateur sont critiques. Ils impliquent également souvent des informations personnelles identifiables (PII), qui doivent être conservées privées, donc le stockage et l’utilisation de ce contexte localement garantissent la confidentialité de l’utilisateur.

Le succès de l’IA d’agents nécessite également une prise de décision immédiate, ce qui signifie qu’il n’y a pas de temps pour que les données voyagent sur les réseaux. La négociation d’accords, la réponse aux données de capteurs en temps réel et la gestion de flux de travail dynamiques nécessitent tous une immédiateté. Les temps d’attente ou, pire, les perturbations peuvent avoir des conséquences importantes. L’IA hybride permet des calculs sur appareil à faible latence qui maintiennent les expériences fluides et en temps réel.

L’IA hybride élimine également la nécessité d’un traitement constant dans le cloud, qui est gourmand en ressources et coûteux. Au lieu de cela, elle prend en charge l’orchestration des charges de travail, en utilisant le calcul local pour les tâches routinières et en réservant le cloud pour les tirages de données ou les calculs plus lourds.

Enfin, elle permet l’exécution partielle de tâches, permettant aux agents de rester fonctionnels même dans des scénarios hors ligne ou à faible connectivité jusqu’à ce que l’accès au cloud soit rétabli. La combinaison d’intelligence localisée et de puissance d’évolutivité du cloud est ce qui rend les expériences d’IA d’agents possibles.

Aborder les défis de mise en œuvre

Même avant l’émergence de l’IA d’agents, les organisations ont souvent eu du mal à dériver un ROI clair de leurs investissements dans l’IA. Même si les agents ne constituent pas un remède miracle immédiat, ils offrent un chemin prometteur vers l’avant lorsqu’ils sont appliqués à des flux de travail holistiques plutôt qu’à des tâches fragmentées. Les agents qui gèrent les opérations de bout en bout livrent des rendements beaucoup plus visibles et plus importants.

Cependant, un ROI significatif n’est possible que si certains obstacles à l’adoption clés sont abordés :

• La prévisibilité et l’éthique sont d’une importance capitale pour les agents d’IA, ce qui entraîne une croissance significative de l’adoption de plateformes et de techniques de gouvernance telles que l’IA constitutionnelle. Ces mesures aident à garantir l’alignement sur les valeurs humaines et à fournir une supervision.
• La réduction de la complexité et l’augmentation de la fiabilité sont également essentielles à un déploiement réussi, car la gestion de tâches à plusieurs étapes avec des agents est complexe. Cependant, avec l’émergence de progrès et de meilleures pratiques dans la formation de modèles, les performances deviennent plus cohérentes. Ces types de cadres de développement permettent également aux équipes de construire des systèmes d’agents prévisibles et robustes qui sont plus faciles à déployer.
• Une intégration sécurisée avec les outils et les API est une autre considération critique, car les agents ont besoin d’accéder à diverses sources de données et applications. L’industrie élabore des protocoles et des normes pour des interactions sécurisées, et les technologies de calcul confidentiel protègent davantage les données sensibles pendant l’exécution.

Non seulement les outils doivent-ils être sécurisés, mais ils doivent également être fiables, car l’IA d’agents dépend d’interactions en temps réel avec des logiciels externes. Les capacités améliorées d’appel de fonction dans les modèles de base et les cadres d’interopérabilité simplifient cette intégration. Par exemple, le protocole de contexte de modèle (MCP) prend en charge des flux de travail sécurisés et à plusieurs étapes, rendant les agents plus capables et prévisibles – et, par conséquent, efficaces.

La rendre concrète

L’IA d’agents brille là où les objectifs sont dynamiques, distribués et gourmands en ressources – capables de s’étendre au-delà des capacités des équipes mais ayant besoin de leur intelligence pour être le plus efficace.

Les agents autonomes peuvent gérer les chaînes d’approvisionnement, aidant à éviter les perturbations logistiques en analysant les données d’inventaire et d’expédition en temps réel. Ils peuvent fonctionner sur des appareils de périphérie, coordonnant avec les systèmes de planification centrale dans le cloud et mettant à jour les stratégies de routage pour maintenir proactivement les données à jour et sécurisées.

Les agents peuvent également être intégrés sur des postes de travail industriels pour surveiller les données de capteurs, déclencher des protocoles de maintenance ou coordonner la commande de pièces de rechange – tout cela améliore la résilience opérationnelle et réduit les temps d’arrêt coûteux.

Les PC équipés d’agents peuvent gérer des flux de travail individuels, résumer des réunions, rédiger du contenu et interagir avec des systèmes d’entreprise sans compromettre l’identité personnelle ou mettre les données privées en danger.

Dans chacun de ces cas d’utilisation, le fil conducteur critique est la supervision d’un travailleur de la connaissance, garantissant que les données alimentant l’agent sont exactes et propres.

Construire un avenir plus autonome

Les entreprises qui mettent en œuvre des agents aujourd’hui et investissent dans la formation de leur main-d’œuvre pour gérer ces agents sont en train de se positionner pour devancer leurs concurrents. L’IA d’agents est fondamentale pour l’avenir, avec des avancées comme les jumeaux d’IA à venir, mais sa propre fondation nécessite l’IA hybride. C’est un grand pas en avant pour livrer des systèmes d’IA vraiment autonomes, utiles et sûrs qui peuvent fonctionner dans des conditions du monde réel.