Alan Turing, souvent présenté comme le père de l’informatique théorique, a fait remarquer lors d’une émission de la BBC en 1951 : « ...il n’est pas totalement déraisonnable de décrire les ordinateurs numériques comme des cerveaux... Je pense par exemple qu’à la fin du [20e] siècle, il sera possible de programmer une machine pour qu’elle réponde à des questions d’une manière telle qu’il sera extrêmement difficile de deviner si les réponses viennent d’un humain ou de la machine. » En effet, l’homme à qui l’on attribue le décryptage du code Enigma allemand pendant la Seconde Guerre mondiale ne pouvait pas être plus précis. Avec l’IA qui progresse à un rythme effréné, le ‘cerveau’ informatique ne cesse d’évoluer !

Imaginez qu’il y a à peine un an, les chefs de file de l’industrie s’enthousiasmaient pour ce nouveau venu, appelé l’IA générative. Les GML monopolisaient les discussions, des salles de guerre technologiques aux salles de conseil. C’est encore le cas aujourd’hui, et avec encore plus d’engouement. Cependant, c’est maintenant l’IA agentique qui attire toute l’attention. En d’autres termes, la part de l’IA devient non seulement plus savoureuse, mais aussi plus grande !

Trajectoire de croissance de l’IA agentique

La taille du marché mondial de l’IA générative devrait passer de 20,9 milliards USD en 2024 à 136,7 milliards USD d’ici 2030. C’est un TCAC phénoménal de 36,7 % durant cette période.

Comparez cela à la croissance de la taille du marché de l’IA agentique, qui passe de 5,2 milliards USD en 2024 à environ 196,6 milliards USD d’ici 2034, soit un TCAC de 43,8 %. Parmi les applications possibles de l’IA agentique, le segment prêt-à-déployer occupait la part du lion avec 58,5 % du marché mondial.

En 2024, l’Amérique du Nord détenait une position dominante sur le marché de l’IA agentique, représentant plus de 38 % de la part de marché mondiale et générant ~ 1,97 milliard en revenus.

Mais qu’est-ce que l’IA agentique exactement ? Et en quoi diffère-t-elle des autres formes d’IA ?

Qu’est-ce que l’IA agentique

L’IA agentique désigne des systèmes d’IA possédant la capacité de prendre des décisions et d’agir de manière autonome afin d’atteindre des objectifs précis avec peu ou pas d’intervention humaine directe. Ces systèmes sont plus autonomes et intégrés avec une capacité de raisonnement permettant non seulement de répondre à une commande humaine, mais également d’élaborer une série d’actions successives, dans le cadre d’un flux de travail autonome ou semi-autonome, afin d’atteindre un objectif final désiré.

Les principaux avantages incluent :

• Prise de décision améliorée : Les systèmes d’IA agentique peuvent analyser d’énormes volumes de données et fournir des perspectives avec un ensemble d’actions améliorées. Les perspectives peuvent aller de la génération de revenus, à la réduction des coûts, à l’identification des tendances du marché, à la personnalisation des recommandations et bien plus.
• Efficacité accrue : Les agents peuvent gérer un ensemble de tâches routinières, alors que les humains peuvent se consacrer à des activités plus productives. Les erreurs peuvent également être réduites.
• Expérience client rehaussée : En offrant des recommandations et des résultats plus personnalisés, les agents peuvent considérablement améliorer l’expérience client, davantage que les autres formes d’IA. Un environnement à haute agentivité permet de traiter des tâches plus complexes, de manière proactive et adaptative.

Un exemple clair peut être l’utilisation d’agents IA pour la rédaction d’un blogue. Illustrons cette fonctionnalité par le biais d’un diagramme de workflow.

1. L’utilisateur demande la rédaction d’un blogue
2. Communique avec l’humain
3. Coordonne les capacités d’autres agents
4. Sous-objectif – Invitation à l’agent suivant
5. Le sous-agent retourne ses résultats
6. Les agents d’un SMA peuvent utiliser différents GML
7. Auto-réflexion ou auto-critique
8. Relation de co-travailleur humain et agent IA

Comment les agents IA peuvent-ils aider les entreprises CPG

D’après ce qui précède, il est évident qu’un moteur de décision autonome ou semi-autonome sous forme d’agent IA peut aider les entreprises de produits de consommation courante (CPG) de multiples façons.

1. Systèmes de recommandation : Les achats antérieurs et l’empreinte numérique du consommateur peuvent être analysés pour recommander des UGS et placer la commande à l’aide d’agents formés sur d’énormes volumes de données clients – selon les données démographiques, l’emplacement, etc.
2. Gestion d’entrepôt : Un ensemble de processus entrants et sortants, ou certaines parties de ceux-ci, peuvent être automatisés à l’aide d’agents. Les processus tels que la réception des marchandises, le maintien d’un inventaire précis, la génération de plans de chargement des remorques (quelles UGS correspondent à quelle remorque selon les scénarios d’optimisation), etc., peuvent être automatisés pour augmenter l’efficacité et accélérer le traitement des commandes.
3. Gestion et suivi des commandes : De la prise de commande à la livraison, les agents peuvent traiter et suivre les commandes, résultant en une amélioration de l’OTIF et une plus grande satisfaction client.
4. Optimisation de la chaîne d’approvisionnement : Avec un système multi-agent, les perturbations dans la chaîne d’approvisionnement peuvent être suivies efficacement (et parfois de manière préventive), et des paramètres alternatifs tels que les itinéraires peuvent être proposés. Cela mène à une efficacité accrue pour les chaînes d’approvisionnement CPG.
5. Surveillance de la qualité des produits : Les agents IA peuvent utiliser l’apprentissage machine et la vision par ordinateur pour détecter préventivement des défauts sur les chaînes de fabrication, incluant tout défaut sur le produit ou l’emballage, et prescrire un temps d’arrêt planifié pour les machines ou isoler les produits défectueux pour actions correctives. Cela réduit les retours clients, ce qui diminue les coûts de logistique inverse et améliore l’expérience client.
6. Prévision du comportement des consommateurs : Sur la base des modèles d’achats précédents et de l’empreinte numérique du client sur divers canaux, on peut recommander des UGS, proposer une structure de fidélité à paliers selon les segments clientèle et stimuler les ventes croisées et incitatives de manière autonome et auto-apprenante, améliorant ainsi l’expérience client et réduisant l’effort manuel.
7. Attribution de l’espace tablette : Un marchandisage visuel amélioré peut être réalisé grâce aux agents, en utilisant les données sur le comportement des clients en magasin (où ils passent le plus de temps), la vitesse de vente des UGS, la période de l’année et d’autres paramètres. Cela permet de déterminer le nombre idéal de mises en face des UGS et leur placement dans les allées. L’ensemble du processus peut être rendu autonome à l’aide d’un agent, avec les bonnes données d’entraînement et lorsque les marchandiseurs permettent à l’agent de démarrer.
8. Optimisation automatisée des promotions et des rabais : Une structure promotionnelle à paliers et la fidélité peuvent être créées à l’aide des données issues des plateformes de données clients (CDPs), de détails des UGS par magasin et canal, et d’autres paramètres.
9. Réapprovisionnement automatisé : Selon la disponibilité des UGS, les directives sur le stock de sécurité, le type d’UGS (critique/régulier) et d’autres paramètres d’inventaire, l’horaire de réapprovisionnement peut être déclenché automatiquement par les agents, de la génération des bons de commande pour les entreprises CPG/fabricants à la réalisation des commandes.
10. Conception et optimisation de l’emballage : L’aspect et la taille de l’emballage, les matériaux et les poids peuvent être optimisés à l’aide des données issues de l’écoute sociale et de l’analyse du sentiment client. Les agents peuvent aussi déterminer le cycle de vie de l’emballage, incluant la composition et la recyclabilité, de manière autonome.
11. Optimisation de l’inventaire : La détermination de la quantité optimale d’inventaire à conserver à chaque nœud de la chaîne d’approvisionnement, des centres de distribution aux centres de réalisation en passant par les magasins, et notamment pour l’omnicanal, peut se faire grâce aux agents de manière transparente. En consommant les données de ventes de l’entreprise, les prévisions, les lieux d’entreposage, les détails des UGS comme la péremption, etc., les agents IA peuvent réaliser une grande part de l’optimisation de l’inventaire, y compris allouer la quantité requise à chaque nœud.

De nombreux autres cas d’utilisation peuvent aussi être inventés pour les organisations CPG.

Comment opérationnaliser les agents IA

Une manière simple et efficace de concevoir des agents pour une organisation CPG est de considérer un agent principal avec un agent orchestrateur en dessous, suivi d’un ensemble de micro-agents, chacun ayant un but précis.

Exemples réels

Explorons quelques exemples dans le secteur CPG où des entreprises tirent parti des agents.

1. Unilever – Ressources humaines - L’entreprise utilise des agents pour filtrer les candidats en analysant les entrevues vidéo et les réponses, ce qui permet aux recruteurs humains de se concentrer sur les profils les plus prometteurs.

   Pile technologique :

   1. Modèles IA : algorithmes de PNL et de reconnaissance faciale
   2. Cadres : plateformes d’évaluation multimodale des candidats
   3. Outils : plateforme HireVue IA

   Impact financier :

   1. Réduction des coûts : plus de 1 million USD économisés par année en coûts de recrutement
   2. Gains d’efficacité : réduction de 75 % du temps d’embauche

   Avantages non financiers :

   1. Meilleure diversité à l’embauche
   2. Amélioration de l’expérience des candidats

2. Coca-Cola – Marketing – Grâce aux agents, l’entreprise génère du contenu marketing, analyse les tendances de consommation et personnalise la publicité, ce qui rend les campagnes plus efficaces.

   Pile technologique :

   1. Modèles IA : réseaux antagonistes génératifs (GAN)
   2. Cadres : analyse multimodale des données pour les perspectives consommateurs
   3. Outils : plateformes IA sur mesure

   Impact financier :

   1. Gains d’efficacité : réduction de 50 % du temps de création de contenu
   2. Augmentation des revenus : amélioration du rendement des campagnes de 20 %

   Avantages non financiers :

   1. Stratégies marketing innovantes
   2. Hausse de l’engagement client

Avec une adoption de plus en plus généralisée de l’IA agentique, le nombre de cas d’utilisation en direct utilisant des agents va bientôt croître en flèche.

Prochaines étapes

Une feuille de route bien élaborée est essentielle pour exploiter la puissance que les agents IA offrent à l’organisation. Voici une représentation simplifiée :

Quelques étapes à retenir :

Alignement de la vision :

• Définir des objectifs clairs – Que visez-vous à accomplir ? Par exemple, réduction des coûts, croissance des revenus, satisfaction des clients ou création d’un « fossé » stratégique de différenciation.
• Aligner les initiatives d’IA sur les objectifs d’affaires – Afin de maximiser l’impact.
• Assurer le soutien des cadres dirigeants – Pour obtenir les ressources et mener des changements organisationnels, y compris les perturbations possibles des rôles que les agents IA peuvent occasionner.
• Commencer avec des cas d’utilisation à fort impact et à gains rapides – Pour un retour sur investissement rapide.

Évaluer les capacités :

• Infrastructure technologique – Votre environnement TI est-il prêt pour l’intégration d’agents IA ?
• Options de plateformes – Décisions construire ou acheter
• Préparation des données – Avez-vous accès à des données multiformats et de qualité ?
• Compétences – Disposez-vous des compétences à l’interne ? Des fournisseurs spécialisés, y compris des cabinets-conseils numériques de niche et les SI traditionnels, peuvent vous aider.

La prochaine frontière

« Les agents IA feront partie intégrante de notre quotidien, nous aidant pour tout, de la prise de rendez-vous à la gestion de nos finances. Ils rendront notre vie plus pratique et efficace », a commenté Andrew Ng, cofondateur de Google Brain. Avec une telle puissance, il est naturel que les entreprises aient commencé à prêter attention. La question demeure : les agents IA peuvent-ils s’imposer davantage dans les activités de première ligne et d’exploitation pour les entreprises CPG ?

La réponse à cette question pourrait bien tracer la frontière entre les chefs de file et les retardataires d’une industrie CPG florissante.