Alors que beaucoup d’entre nous essaient encore de comprendre l’IA générative, une nouvelle IA agentique fait des vagues. Et ce n’est pas qu’un simple mot à la mode. Selon Gartner, d’ici 2028, 33 % des applications logicielles d’entreprise intégreront l’IA agentique, contre moins de 1 % en 2024, permettant à 15 % des décisions quotidiennes d’être prises de façon autonome.

Certains peuvent encore penser que les deux sont identiques. Avant d’expliquer si elles sont pareilles ou complètement différentes, comprenons d’abord ce qu’est l’IA agentique.

L’IA agentique désigne des systèmes d’intelligence artificielle capables d’agir et de prendre des décisions de façon autonome. Cela peut sembler un paradoxe — toute IA n’est-elle pas censée faire pareil ? Oui, mais ce sont les avancées propres à chaque modèle d’IA qui entraînent des différences. Actuellement, les modèles d’IA n’agissent pas eux-mêmes, ils génèrent simplement du texte ou des visuels sur demande.

Mais cela va changer avec les agents intelligents, car ils comblent le manque d’agentivité : l’IA agentique utilise des agents logiciels qui atteignent des objectifs de façon indépendante, sans dépendance à l’humain. L’agentique peut résoudre des problèmes complexes, gérer l’ambiguïté, créer des plans et prendre des décisions.

Vous vous souvenez de la dernière fois où vous avez demandé à Chat GPT, à Google Gemini ou à tout autre chatbot LLM des résultats et été déçu par des réponses génériques ? Les modèles actuels sont limités aux données pré-entraînées et à une portée restreinte, principalement par des informations récupérées sur Internet. Or, l’agentique ne fait pas qu’exécuter des instructions, elle anticipe vos besoins et propose des solutions créatives. Illustrons cela par un exemple simple (figure a) : si vous demandez conseil pour un fabricant de purificateur d’air, l’IA générative proposera des recommandations, mais l’IA agentique pourra vous dire quel modèle est préféré des utilisateurs en temps réel et aller plus loin, c’est-à-dire passer la commande pour vous.

IA agentique en action – « Différents cas d’utilisation dans l’industrie »

Alors que la GenIA fait couler beaucoup d’encre et provoque des bouleversements, les organisations peinent à en tirer une réelle valeur d’affaires. Les grands modèles de langage sont remarquables, mais leurs cas d’utilisation en entreprise restent limités. Les investissements colossaux dans les énormes LLM ne donneront peut-être pas des résultats immédiats, alors que l’IA basée sur les agents semble beaucoup plus prometteuse pour renforcer le monde de l’IA.

Bien que le secteur principal bénéficiaire soit le développement de logiciels, il ne s’y limite pas : on peut imaginer une transformation disruptive dans tous ces secteurs.

Développement logiciel : Imaginez des entités propulsées par l’IA, capables non seulement de créer des logiciels, mais aussi de superviser l’ensemble du cycle de développement. Ces agents intelligents pourraient concevoir de façon autonome des systèmes complexes, écrire, déboguer et optimiser le code, ainsi que gérer les tests et les processus de contrôle qualité. Ce changement pourrait accélérer considérablement la création de logiciels et révolutionner les méthodes traditionnelles de développement et de maintenance des produits numériques. Les recherches de Gartner montrent que d’ici 2028, 90 % des ingénieurs en logiciels d’entreprise utiliseront des assistants de codage IA, alors qu’ils n’étaient que 14 % au début de 2024.

Opérations TI :

1. Résolution de problèmes dynamique : Contrairement à l’IA standard, qui suit des scripts de dépannage prédéfinis, l’IA agentique peut s’adapter dynamiquement à de nouveaux problèmes. Elle intègre des données provenant de divers systèmes de gestion informatique, apprend des incidents antérieurs et modifie de façon autonome son approche de résolution de problèmes, ce qui permet une résolution des billets TI plus rapide et plus précise.
2. Actions intelligentes : L’IA agentique peut identifier de façon autonome la cause profonde des problèmes, isoler les systèmes touchés et mettre en œuvre des solutions sans intervention humaine. Par exemple, en cas de défaillance de serveur ou d’interruption du réseau, elle peut réacheminer le trafic ou redémarrer les serveurs, ce qui accélère considérablement les temps de réponse et réduit le besoin de surveillance manuelle.
3. Personnalisation : Pour des tâches répétitives comme la réinitialisation de mots de passe et l’accès à des logiciels, l’IA agentique offre un niveau plus élevé de personnalisation. Elle adapte les autorisations d’accès et les solutions d’approvisionnement selon les comportements et les habitudes de chaque utilisateur, ce qui améliore l’expérience globale des utilisateurs.
4. Approche prédictive : Grâce à l’analytique des données, l’IA agentique peut prédire quand les systèmes informatiques tomberont en panne et effectuer la maintenance avant que des problèmes ne surviennent. Cette approche proactive aide à optimiser l’infrastructure informatique et à maintenir le temps de disponibilité des systèmes

Service à la clientèle : L’IA agentique peut fondamentalement transformer le secteur du service à la clientèle en créant des agents virtuels intelligents et infatigables qui gèrent de façon autonome les demandes et demandes de soutien, remplaçant ainsi le soutien humain. Les temps d'attente pourraient chuter de 30 à 40 %, augmentant la satisfaction des clients. Ces systèmes pilotés par l’IA peuvent analyser les interactions avec les clients, anticiper les besoins et fournir des réponses personnalisées en temps réel. Qu'il s'agisse de FAQ simples ou de problèmes complexes—réduisant les temps d'attente et améliorant la satisfaction client.

Finance : Dans le monde de la finance, les agents d’IA pourraient révolutionner la gestion des investissements. En analysant en continu les données du marché, en réagissant aux événements en temps réel et en ajustant les portefeuilles à la volée, ces agents pourraient améliorer l’efficacité des transactions et potentiellement accroître les rendements pour les investisseurs. Leur utilité ne se limite pas aux stratégies financières, mais ils peuvent aussi contribuer à la gestion des risques en analysant de gros volumes de données afin de contenir l’exposition et d'assurer la conformité avec la réglementation.

Chaîne d’approvisionnement : La logistique et la gestion de la chaîne d’approvisionnement connaîtront des changements majeurs avec l’adoption de l’IA agentique. Le degré d’efficacité atteint en abordant la volatilité de la demande, l’optimisation des itinéraires, la maintenance préventive, intensifie l’efficacité opérationnelle. De plus, elle peut imiter les prises de décision humaines pour améliorer l’expérience client avec le suivi en temps réel et des recommandations personnalisées.

Maturité de l’agence d’IA

L’application des agents logiciels d’IA ne s’arrête pas ici : de la cybersécurité aux ressources humaines, en passant par la R&D et la médecine, les cas d’utilisation sont illimités. La question de l’adoption se pose et dépend ultimement de la maturité de l’agence d’IA. À l’heure actuelle, l’agence d’IA n’a pas encore atteint sa maturité et nécessite encore du développement.

On distingue principalement deux systèmes : les systèmes à agent unique et les systèmes multi-agents, et c’est là que s’opère la grande transition et où la maturité progresse. Mais au sein même de la progression des IA à agent unique vers les IA multi-agents, il existe diverses avancées selon les niveaux. Dans la figure b, vous verrez trois étapes dans l’IA à agent unique elle-même : de basique à dynamique en passant par l’intégration de ReAct et reflex.

Les systèmes à base d’agents exécutent l’appel de fonctions à un seul LLM et gèrent des tâches spécifiques de façon semi-autonome. Avec le mode dynamique, ils ont la flexibilité d’élargir le choix des outils. De façon similaire, l’intégration de ReAct et reflex permet aux agents uniques de s’auto-réfléchir et de se corriger eux-mêmes.

La transition vers des agents multiples à partir d’agents uniques change complètement la donne : chaque agent fait appel à son propre LLM, permettant ainsi le traitement de tâches en parallèle, et ce, pour des scénarios plus complexes et plus proches du monde réel. On franchit un cap supplémentaire avec l’ajout de la fonction « méta » : la coordination entre les agents s’améliore massivement et rend les MAS hautement adaptatifs à des environnements et solicitudes variés. La boucle de rétroaction avec les MAS représente le niveau de maturité le plus élevé, les agents apprenant de leurs résultats : agents qui se critiquent, s’analysent et se conseillent entre eux, ce qui améliore la résolution de problèmes.

Tendances et prédictions : Adoption, utilisation et évolution de l'IA agentique

• Dans un sondage mené par Research Institute auprès de 1 500 hauts dirigeants mondiaux, 32 % d'entre eux placent les agents IA comme principale tendance technologique en matière de données et d’IA pour 2025.
• On s’attend à ce que l’IA agentique contribue entre 2,6 billions et 4,4 billions de dollars par année au PIB mondial dans divers secteurs d’ici 2030.
• Dans certains secteurs, comme l’énergie, les investissements dans l’IA agentique devraient tripler, passant de 40 milliards de dollars en 2023 à plus de 140 milliards de dollars d’ici la fin de la décennie.

Sources :

1. https://techinformed.com/2025-informed-the-year-of-agentic-ai/
2. Agentic AI – la nouvelle frontière dans GenAI

Bien qu’il existe des risques associés à son adoption et à son développement, l’IA agentique est le carburant nécessaire pour l’avenir, afin de façonner les entreprises et d’accélérer les modes de travail autonomes. Chez HCLTech, nous aidons les entreprises à adopter et à construire le modèle le mieux adapté à leurs besoins, tout en assurant un haut niveau de gouvernance.

Pour en savoir plus, vous pouvez nous écrire à HCBU-PMG@hcltech.com.