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 la valeur maximale de l’IA, sont de plus en plus proactives dans leurs approches et adoptent les agents. Auparavant, le modèle dominant d’interaction était largement réactif – centré sur le cloud et dépendant des utilisateurs pour déclencher les modèles. Cependant, à mesure que les machines deviennent plus intelligentes, des modèles d’agent sont apparus, nécessitant moins d’interaction humaine pour que les systèmes intelligents exécutent de manière proactive des tâches complexes.

Cependant, alors que l’IA d’agent est un départ des systèmes d’IA traditionnels à portée étroite, l’optimisation de l’opportunité consiste à augmenter les travailleurs et non à les remplacer.

Les agents ont été conçus pour comprendre les objectifs à plusieurs étapes ; planifier et séquencer les 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 à mesure que 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 informés par une intelligence en temps réel. Ce type de perspicacité nécessite une 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 du savoir.

Pourquoi l’IA hybride est un must

L’IA d’agent 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 fiables 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 fréquemment 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’agent 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 des capteurs en temps réel et la gestion de flux de travail dynamiques nécessitent tous une immédiateté. Le temps de latence 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 le besoin de traitement constant du 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’agent possibles.

Résoudre les défis de mise en œuvre

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

Cependant, un ROI significatif n’est possible que si quelques barrières d’adoption clés sont abordées :

• La prévisibilité et l’éthique sont d’une importance capitale pour les agents d’IA, ce qui conduit à une croissance significative de l’adoption de plateformes et de techniques de gouvernance telles que Constitutional AI. Ces mesures aident à garantir l’alignement sur les valeurs humaines et à fournir une surveillance.
• La réduction de la complexité et l’augmentation de la fiabilité sont également clés pour un déploiement réussi, car la gestion de tâches à plusieurs étapes avec des agents est compliquée. 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’agent prévisibles et robustes qui sont plus faciles à déployer.
• L’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 être sécurisés, mais ils doivent également être fiables, car l’IA d’agent dépend de l’interaction 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 donc efficaces.

Le rendre réel

L’IA d’agent 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 périphériques, coordonner avec les systèmes de planification centrale dans le cloud et mettre à jour les stratégies de routage pour garder les données à jour et sécurisées de manière proactive.

Les agents peuvent également être intégrés dans des postes de travail industriels pour surveiller les données des 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 sur appareil peuvent gérer les flux de travail individuels, résumer les réunions, rédiger du contenu et interagir avec les 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 surveillance d’un travailleur du savoir, 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 ceux-ci se positionnent pour être en avance sur leurs concurrents. L’IA d’agent est fondamentale pour l’avenir avec des avancées comme les jumeaux d’IA, mais sa propre fondation nécessite l’IA hybride. Ceci 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.