Qu'est-ce que l'IA agentique ?
L'Intelligence Artificielle devient un élément central du fonctionnement des entreprises, et celles qui réussissent à l'adopter savent que l'IA évolue constamment. Une avancée en particulier est en train de transformer la façon dont les entreprises utilisent l'IA pour générer de la valeur ajoutée : l'IA agentique.
Introduction à l'IA agentique
L'IA agentique est la prochaine étape de l'évolution de l'Intelligence Artificielle : le passage de systèmes dont la tâche principale est d'analyser, de prédire ou de générer à des systèmes capables de décider et d'agir. Alors que les versions précédentes de l'IA aident à la prise de décision ou à la création de contenus, les agents IA peuvent initier des décisions, planifier des étapes d'action et les exécuter de manière autonome.
Gartner® prévoit que d'ici 2028, un tiers des solutions logicielles d'entreprise incluront de l'IA agentique, rendant autonomes jusqu'à 15 % des décisions quotidiennes. Dans tous les secteurs, les agents IA s'imposent déjà : ils aident les hôpitaux à gérer des admissions complexes, ils personnalisent les cursus universitaires, ils optimisent la gestion des stocks dans la distribution, et plus encore.
Chez Workday, nous développons une IA agentique pour transformer nos processus et offrir de meilleures expériences à nos acteurs impliqués en interne et en externe.
Qu'est-ce que l'IA agentique ?
L'IA agentique combine plusieurs modèles d'IA de manière orchestrée et intégrée pour permettre à un programme d'agir de manière autonome dans un environnement plus large. Elle utilise le raisonnement, l'apprentissage et la planification itérative pour relever des défis dynamiques et multi-étapes au sein d'une organisation.
La particularité des agents IA est leur capacité à mettre en place des actions directes avec peu ou pas d'intervention humaine. Ils peuvent surveiller les systèmes, interpréter les conditions en temps réel et lancer des tâches dans les applications connectées. Par exemple : un système agentique dans une plateforme logistique peut détecter un retard d'expédition, réacheminer les livraisons, informer les clients et mettre à jour automatiquement l'inventaire, le tout de manière autonome.
L'IA agentique est le résultat de décennies d'innovation et de percées dans le domaine de l'Intelligence Artificielle. Depuis ses débuts jusqu'à ses capacités modernes et transformatrices, l'IA n'a cessé d'évoluer pour devenir plus adaptative, plus autonome et plus impactante.
L'évolution de l'IA au fil du temps
Les débuts
Dans les années 1950, l'IA était basée sur des règles, se limitant à des instructions strictes de type « si-alors » et à des performances d'automatisation basiques, sans capacité d'adaptation ou d'apprentissage. Les années 1960 et 1970 ont vu une avancée majeure avec l'apparition des réseaux neuronaux inspirés du cerveau humain, qui ont permis à l'IA de reproduire les processus d'apprentissage pour la première fois. Même s'il en était encore à ses débuts, ce développement a jeté les bases de systèmes d'IA plus dynamiques et plus flexibles.
L'essor des systèmes experts
Dans les années 1980, les systèmes experts sont apparus, rapprochant l'IA de la prise de décision humaine. Ces systèmes utilisaient de vastes ensembles de règles pour reproduire un raisonnement d'expert, mais leur dépendance à une logique statique les rendait rigides et incapables de traiter des informations nouvelles ou évolutives.
L'émergence du Machine Learning
Dans les années 1990, le Machine Learning (ML) amorce un tournant : l'IA passe d'une approche par règles à un apprentissage basé sur les données. Cette période voit également arriver les premiers travaux sur les agents IA et l'apprentissage par renforcement, donnant à l'IA la capacité de prendre des décisions par expérimentation plutôt que par simple exécution d'instructions prédéfinies.
Big Data et Cloud computing
Les progrès de l'IA se sont accélérés dans les années 2000 avec l'explosion de la puissance informatique et l'essor du Cloud computing. Les systèmes d'IA sont alors devenus capables de traiter et d'accéder à de grandes quantités de données en temps réel, ce qui les a rendus plus efficaces et capables de gérer des tâches de plus en plus complexes.
La percée de l'IA générative
L'IA générative (Gen IA) a introduit la capacité de créer des contenus originaux (textes, images, codes, audio, etc.) basés sur des prompts en langage naturel. Cela a ouvert la voie à une IA interactive et conversationnelle qui pouvait aider à l'écriture, automatiser le support client, générer des ressources de design et plus encore.
Les recherches fondamentales sur l'IA générative, comme les modèles Transformers et les réseaux antagonistes génératifs (GAN), ont débuté dans les années 2010, mais ce n'est qu'avec le lancement de modèles tels que GPT-3, DALL·E et ChatGPT au début des années 2020 que l'IA générative est devenue largement accessible et pratique pour un usage dans la vie quotidienne.
Ces systèmes atteignent un niveau inédit de fluidité et de compréhension contextuelle, mais dépendent toujours de prompts humains pour fonctionner. L'IA générative peut suggérer et synthétiser, mais ne peut pas agir ou prendre des décisions de manière autonome.
L'IA agentique
La dernière évolution de l'IA est l'IA agentique, qui s'appuie sur les fondations du Machine Learning et des modèles génératifs. Il s'agit de systèmes qui non seulement comprennent et génèrent, mais prennent aussi des initiatives et agissent dans des environnements réels.
Cette évolution marque une transformation fondamentale : l'IA passe du statut d'outil qui répond aux humains au statut de collaborateur capable d'agir de manière autonome. Nous entrons ainsi dans une nouvelle ère où les systèmes d'IA sont capables d'optimiser les workflows, de prendre des décisions à grande échelle, et de s'adapter dynamiquement au changement.
Des premiers systèmes basés sur des règles aux agents autonomes d'aujourd'hui, l'IA a suivi une trajectoire d'amélioration constante, et cette évolution est loin d'être terminée. L'IA agentique n'est qu'une étape de plus et les entreprises doivent suivre le rythme pour rester compétitives.
Avec l'IA agentique, l'IA passe du statut d'outil qui répond aux humains au statut de collaborateur capable d'agir de manière autonome.
Les agents dans le contexte général de l'IA
Alors que l'IA agentique gagne du terrain, il est important de comprendre où elle se situe dans le paysage plus large de l'IA. Plutôt que d'exister en tant que catégorie à part entière, l'IA agentique s'appuie sur les capacités d'autres systèmes, s'inspirant à la fois de la logique basée sur des règles et sur des modèles probabilistes pour fonctionner avec une plus grande autonomie. L'analyse des différents types d'IA et de leur manière de traiter l'information et de produire des résultats permet de mieux comprendre comment l'IA agentique repousse les limites du possible.
L'IA déterministe
Suit une logique ou des règles prédéfinies. Les résultats sont prévisibles et reproductibles à partir des mêmes données.
Limites
Incapable de gérer l'incertitude ou de s'adapter à de nouveaux scénarios.
Exemple
Un arbre de décision qui approuve ou refuse les prêts en fonction de seuils fixes.
L'IA probabiliste
Utilise des modèles statistiques et des schémas de données pour générer des prédictions ou des résultats.
Limites
Exige de grands jeux de données de haute qualité. Les résultats peuvent varier et sont souvent inexplicables.
Exemple
Un modèle génératif tel que GPT-4 qui rédige un texte à partir d'un prompt.
L'IA agentique
S'appuie sur des modèles probabilistes (par exemple, LLM et RL) et orchestre des actions à travers les systèmes, en intégrant souvent des composantes déterministes pour l'exécution.
Limites
Encore en développement dans des domaines tels que la coordination unifiée de plusieurs systèmes et la planification à long terme.
Exemple
Un agent de la chaîne d'approvisionnement qui surveille les conditions météorologiques, prédit les disruptions, réachemine les livraisons et met à jour l'inventaire de manière autonome.
En résumé, l'IA agentique n'est pas une catégorie autonome, c'est une évolution qui s'appuie sur les points forts des autres systèmes d'IA. Les approches déterministes offrent structure et fiabilité, tandis que les modèles probabilistes apportent souplesse et informations clés. L'IA agentique les réunit avec en plus la capacité d'agir, permettant ainsi aux entreprises de se développer, de s'adapter et de réagir plus efficacement.
Les systèmes d'IA agentique se distinguent par leur capacité à raisonner, à planifier et à agir avec un degré élevé d'autonomie.
Principales caractéristiques de l'IA agentique
Les systèmes d'IA agentique se distinguent par leur capacité à raisonner, à planifier et à agir avec un degré élevé d'autonomie. À la différence des systèmes d'IA précédents qui exigent une logique rigoureuse ou des workflows prédéfinis, l'IA agentique interprète les intentions, évalue les options et prend des décisions de manière autonome, y compris dans des environnements complexes et imprévisibles.
Elle est donc un outil puissant pour relever les défis d'entreprise requérant à la fois flexibilité et initiative. Voici comment ces capacités se manifestent dans la pratique :
Raisonnement autonome
Imaginons qu'un agent se fixe comme objectif de réduire les retards de livraison. Il déterminera de manière indépendante comment atteindre cet objectif en analysant les contraintes, en évaluant les compromis et en lançant des actions correctives.
Adaptabilité en temps réel
Au lieu de suivre un scénario statique, un agent adapte son comportement à la situation réelle. Il peut par exemple décider de changer d'itinéraire si les conditions météo changent ou de réaffecter du personnel en cas de demande imprévue.
Exécution de tâches à plusieurs étapes
Les agents ne se contentent pas de déclencher des actions uniques : ils gèrent des workflows. Un agent peut identifier un problème, recueillir des informations auprès d'autres systèmes ou agents, décider d'une solution et exécuter chaque étape jusqu'à sa résolution.
Orchestration collaborative
Les systèmes agentiques sont conçus pour travailler ensemble. Un agent peut détecter un problème, tandis que d'autres s'occupent des communications, des mises à jour d'inventaire ou des contrôles de politique, chacun contribuant à un résultat partagé, sans coordination humaine directe.
Les agents IA couvrent un large spectre de complexité allant de la simple application de règles à des systèmes totalement autonomes qui raisonnent, apprennent et collaborent.
Les différents types d'agents IA
Les agents IA couvrent un large spectre de complexité allant de la simple application de règles à des systèmes totalement autonomes qui raisonnent, apprennent et collaborent. Plus on avance dans ce continuum, plus les agents gagnent en pouvoir décisionnel, en capacité d'adaptation et en indépendance.
Il est essentiel de comprendre les distinctions entre ces types d'approche pour choisir celle qui convient le mieux aux besoins de votre entreprise. Les catégories suivantes montrent comment les capacités des agents évoluent et comment des agents plus avancés jettent les bases de systèmes véritablement agentiques.
Agents réactifs
Les agents réactifs constituent le type d'IA le plus basique. Basés sur des systèmes de règles, ils répondent aux évolutions de l'environnement via des instructions programmées à l'avance, mais ne peuvent pas apprendre ou s'adapter. Par exemple, un assistant virtuel qui récupère des réponses préprogrammées à des commandes spécifiques, comme éteindre les lumières d'un système d'éclairage intelligent lorsqu'on le lui demande, fonctionne comme un agent réactif, répondant à des données sans raisonnement ou apprentissage supplémentaire.
Agents basés sur les modèles
Les agents basés sur les modèles traitent leur environnement à travers un modèle interne, ce qui leur permet de raisonner sur leurs actions et de prendre des décisions en connaissance de cause. Par exemple, un système d'irrigation alimenté par l'IA qui surveille l'humidité du sol, les prévisions météorologiques et les besoins des cultures afin d'optimiser les calendriers d'arrosage.
Agents basés sur les objectifs
Les agents basés sur les objectifs travaillent à la réalisation d'objectifs spécifiques en évaluant différentes stratégies et en adaptant leurs actions pour atteindre le résultat souhaité. Par exemple, une application de navigation capable de planifier l'itinéraire le plus rapide vers une destination en fonction des conditions de circulation en temps réel.
Agents basés sur l'utilité
Les agents basés sur l'utilité s'attachent à maximiser les résultats dans un domaine spécifique en pondérant plusieurs facteurs pour déterminer le meilleur résultat possible. Prenons l'exemple d'un système de gestion de flotte qui non seulement planifie les itinéraires de livraison, mais prend également en compte l'efficacité énergétique, les plages horaires de livraison et les calendriers de maintenance des véhicules afin d'optimiser les opérations.
Agents d'apprentissage
Les agents d'apprentissage s'adaptent et s'améliorent au fil du temps en traitant de nouvelles données et expériences. Ces agents sont conçus pour ajuster dynamiquement leurs actions et leurs processus de prise de décision. Un gestionnaire de portefeuille financier automatisé qui affine les stratégies d'investissement en fonction de l'évolution des tendances du marché est un bon exemple d'agent d'apprentissage en action.
Agents de collaboration
Les systèmes collaboratifs, ou multi-agents, travaillent ensemble afin de résoudre des problèmes interconnectés trop complexes pour être gérés par un seul agent. Un réseau logistique qui coordonne des drones de livraison, des robots d'entrepôt et des camions autonomes pour optimiser l'ensemble de la chaîne d'approvisionnement est un exemple d'agent collaboratif.
IA agentique : quelles opportunités pour l'entreprise ?
Les capacités dynamiques de l'IA agentique en font un outil puissant pour répondre en temps réel aux besoins concrets des entreprises. Dans divers secteurs, elle s'avère précieuse à bien des égards : optimisation des opérations, amélioration de l'expérience des collaborateurs et des clients, et ouverture de nouvelles voies de croissance. Examinons quelques-unes des applications d'IA agentique les plus importantes qui ont déjà lieu dans différents secteurs.
Exemples concrets : cas d'usage de l'IA par secteur
Enseignement supérieur
Dans l'enseignement supérieur, l'IA agentique accompagne étudiants et corps enseignant grâce à une gestion autonome de la planification pédagogique personnalisée. Par exemple, un agent peut détecter quand un étudiant commence à décrocher ; évaluer la disponibilité des cours, les exigences du programme et les objectifs à long terme de l'étudiant ; puis proposer un nouveau calendrier de cours. Il peut avertir l'étudiant et le conseiller, recommander des services de soutien et ajuster le cursus, le tout sans coordination ni intervention manuelle.
Santé
Dans le secteur de la santé, l'IA agentique joue un rôle de collaborateur en temps réel au sein des environnements cliniques. L'agent détecte automatiquement les pics d'activité aux urgences, évalue les besoins cliniques et les capacités disponibles (que ce soit le nombre de lits médicalisés ou le nombre de membres du personnel), puis optimise l'affectation des ressources ou appelle des équipes en renfort. Il peut également se coordonner avec d'autres agents chargés de superviser la sortie des patients ou la gestion des stocks afin d'assurer la continuité des soins.
Retail
Dans le retail, l'IA agentique permet une gestion dynamique et complète des opérations et de l'expérience client. Un agent peut détecter une hausse de la demande pour un produit, anticiper les ruptures de stock, puis réorienter les livraisons en cours ou lancer de nouvelles commandes. Dans le même temps, il peut ajuster les stratégies de promotion, mettre à jour le contenu du site Web et avertir les équipes de support en cas de besoin.
Industrie
L'IA agentique transforme l'industrie grâce à sa réactivité immédiate en cas de disruptions ou de pertes d'efficacité. Par exemple, un agent peut détecter une baisse de performance des équipements, lancer un diagnostic via un autre agent, et planifier la maintenance pendant un temps d'arrêt. Il peut également adapter les programmes de production ou réapprovisionner en matériaux pour éviter les retards, maintenant ainsi l'efficacité et la proactivité des processus.
Finance
Dans la Finance, l'IA agentique soutient une planification autonome et adaptative ainsi que la gestion des risques. Un agent financier peut détecter les premiers signaux de volatilité des marchés, adapter les stratégies de portefeuille ou identifier les zones de risque. Il peut également aligner ses actions sur celles des agents chargés de la conformité pour s'assurer que toutes les activités sont conformes aux exigences réglementaires, ce qui réduit les risques sans sacrifier la rapidité ou la réactivité.
Communication
Dans le secteur de la communication, l'IA agentique permet de gérer l'engagement en temps réel. Un agent peut détecter une montée de sentiment négatif sur les réseaux sociaux, lancer des campagnes de réponse ciblées, et réorienter les budgets publicitaires ou adapter la stratégie de communication. Il peut se coordonner avec les agents qui gèrent le support client, la relation client ou le marketing par e-mail pour garantir une réponse cohérente et rapide.
Solutions d'entreprise : exemples chez Workday
Chez Workday, nous explorons les agents IA pour simplifier la gestion des notes de frais, optimiser la planification de la succession et transformer le recrutement.
Notre agent Notes de frais analyse automatiquement les informations présentes sur les reçus et crée des notes de frais. Lorsqu'un collaborateur quitte un hôtel, par exemple, il peut prendre une photo de son reçu avec son téléphone, et notre agent extraira automatiquement les informations pertinentes du reçu, créera un poste de dépense et l'ajoutera à la bonne note de frais.
Pour la planification de la succession, notre agent IA nous aide à conserver un vivier solide de successeurs à tous les niveaux de carrière en analysant les besoins actuels de l'entreprise, les compétences requises par équipe, les taux d'attrition prévisionnels, et en proposant des candidats potentiels à l'échelle nationale. L'agent peut identifier de manière proactive les collaborateurs à fort potentiel et même générer des plans de développement personnels adaptés à chacun pour les aider à se préparer à leurs futurs rôles.
Notre agent Recrutement intègre les capacités de HiredScore* pour sourcer des candidats passifs qui ont exprimé leur intérêt par le passé. En comprenant les besoins actuels de l'entreprise et en analysant les profils des candidats, l'agent peut automatiser la diffusion des offres, recommander les meilleurs candidats et même programmer des entretiens.
* HiredScore est une société de Workday.
Chez Workday, l'IA agentique transforme des domaines tels que le suivi des notes de frais, la planification de la succession et le recrutement intelligent.
Stratégies de déploiement de l'IA agentique
Les cas d'usage et les exemples abordés dans la dernière section ne sont que quelques-unes des innombrables façons dont les entreprises utilisent l'IA agentique pour générer de la valeur et atteindre leurs objectifs. Réussir le déploiement de l'IA agentique implique d'identifier les usages spécifiques adaptés à votre entreprise, de définir vos objectifs, de mettre en place un plan d'exécution robuste et de suivre vos progrès dans la durée.
Explorons ensemble une méthode étape par étape pour intégrer efficacement l'IA agentique dans votre entreprise.
1. Identifier et définir le problème
Commencez par définir clairement le défi que vous souhaitez relever. Dépassez la simple énumération des fonctionnalités ou tâches : concentrez-vous sur le problème fondamental. Par exemple, au lieu d'automatiser uniquement les approbations de notes de frais, cherchez à garantir la conformité tout en réduisant les délais de traitement et les erreurs.
2. Comprendre les besoins et les préoccupations des utilisateurs
Recueillez en continu le feedback des utilisateurs pour identifier les points de friction et les axes d'amélioration. Testez les prototypes auprès des utilisateurs finaux et observez la manière dont ils interagissent avec la technologie. Repérez les points de satisfaction et les obstacles, et ajustez votre stratégie en conséquence. Répétez ce processus à chaque étape du déploiement pour que votre IA s'adapte aux vrais workflows et améliore l'expérience utilisateur.
3. Développer une stratégie de données
L'efficacité des systèmes d'IA agentique dépend de la qualité des données. Élaborez une stratégie de collecte, de nettoyage et d'annotation des données en respectant les exigences de confidentialité et de sécurité. Une préparation minutieuse permet d'éviter les goulots d'étranglement lors de l'entraînement et du déploiement.
4. Choisir les bons outils et modèles
Ensuite, sélectionnez les outils et les technologies qui s'alignent sur les besoins que vous avez identifiés à l'étape 1. Réfléchissez aux différents types d'agents IA et gardez à l'esprit que l'IA agentique n'est pas toujours la solution la plus adaptée. Des systèmes basés sur des règles peuvent par exemple être plus performants pour des initiatives strictement axées sur l'automatisation.
5. Mettre l'accent sur la confidentialité et la sécurité
Il est primordial de comprendre la confidentialité des données dans le contexte des nouveaux systèmes d'IA. Sécurisez les données sensibles en intégrant des dispositifs de protection et de confidentialité robustes dans vos systèmes, et garantissez la conformité aux réglementations applicables (RGPD, CCPA). Effectuez des audits réguliers des droits d'accès, chiffrez les données sensibles et configurez des alertes automatisées pour détecter les anomalies. Adoptez les principes de protection des données dès la conception et par défaut pour sécuriser les informations individuelles et d'entreprise tout au long du développement.
6. Reconnaître, évaluer et atténuer les risques
Les nouvelles capacités de l'IA agentique s'accompagnent de nouveaux risques. Évaluez régulièrement les performances du modèle, la qualité des données et les conséquences imprévues, non seulement pendant le déploiement, mais aussi tout au long du cycle de vie de l'IA. Il est tout aussi important de développer des stratégies d'atténuation claires, telles que des protocoles d'escalade, des déclencheurs de surveillance humaine ou des boucles de feedback, afin de réduire les préjudices et de garantir l'adéquation avec les objectifs et les valeurs de l'entreprise.
7. Permettre aux agents de travailler sur plusieurs systèmes
L'IA agentique tire sa puissance de sa capacité à exploiter les données dispersées à travers l'entreprise. Chaque agent utilise les sources auxquelles il a accès (qu'il s'agisse de plateformes internes, d'outils tiers ou de données en temps réel) pour raisonner, décider et agir.
Lorsque les agents se coordonnent, ils intègrent leur contexte individuel dans un effort commun. Un agent peut analyser l'engagement collaborateur pendant qu'un autre extrait les tendances du marché. En travaillant ensemble, ils peuvent élaborer un plan d'effectifs qui reflète à la fois les besoins internes et les réalités externes, sans nécessiter de systèmes étroitement liés en arrière-plan.
8. Tester et surveiller
Des tests rigoureux sont indispensables à chaque étape du développement. Veillez à ce que votre système d'IA produise les résultats escomptés et procédez aux ajustements nécessaires. Après le déploiement, surveillez en permanence ses performances et le feedback des utilisateurs afin d'identifier les domaines à optimiser. Des mises à jour fréquentes et un réentraînement continu garantissent l'adaptation de l'IA aux besoins changeants et aux nouveaux enjeux.
L'IA agentique représente une évolution vers des systèmes distribués et adaptatifs qui collaborent avec les humains pour projeter l'entreprise vers l'avenir.
Un futur prometteur
L'IA agentique est en train de s'imposer comme une capacité fondamentale pour les entreprises confrontées à la complexité et aux mutations de notre monde actuel. Mais elle n'a pas encore révélé tout son potentiel : si les agents collaborent déjà à l'intérieur des systèmes, ils le feront bientôt à l'échelle des équipes, des entreprises et des secteurs.
En orchestrant une coordination sécurisée et ciblée, l'IA agentique aide les entreprises à mutualiser leurs connaissances, à réagir plus vite aux disruptions et à résoudre des défis dépassant les capacités d'un système isolé.
L'évolution des systèmes d'IA donnera aux agents la capacité de raisonner à la lumière de contextes plus larges, d'unifier des données jusque-là fragmentées et d'agir avec discernement pour transformer radicalement l'intelligence d'entreprise.
L'IA agentique représente une évolution vers des systèmes distribués et adaptatifs qui collaborent avec les humains pour projeter l'entreprise vers l'avenir. Accueillir à bras ouverts cette avancée, c'est s'assurer de pouvoir innover, s'adapter et faire la course en tête dans un monde interconnecté en constante évolution.
Découvrez comment Workday peut vous aider à vous transformer grâce à l'IA.