Alors que beaucoup d'entre nous tentent encore de comprendre l’IA générative, une nouvelle IA agentique fait sensation. Et ce n’est pas qu’un simple mot à la mode. Selon Gartner, d’ici 2028, 33 % des applications logicielles pour entreprises incluront de l’IA agentique, alors que ce chiffre était inférieur à 1 % en 2024, permettant ainsi que 15 % des décisions de travail quotidiennes soient prises de façon autonome.

Certains pourraient encore penser que les deux sont la même chose. Avant d’expliquer s’ils sont identiques ou complètement différents, commençons par comprendre ce qu’est l’IA agentique.

L’IA agentique fait référence à des systèmes d’intelligence artificielle capables d’agir et de prendre des décisions de façon autonome. Il serait logique de croire que toute IA est censée faire cela. C’est vrai, mais les avancées dans chaque modèle d’IA sont celles qui apportent la différenciation. Dans les modèles actuels, l’IA n’agit pas d’elle-même, elle ne fait que générer du texte ou des visuels lorsqu’elle est sollicitée.

Mais cela va changer avec les agents intelligents, car ils comblent l’écart d’autonomie : l’IA agentique utilise des agents logiciels qui peuvent atteindre des objectifs de façon indépendante, sans dépendance humaine. L’IA agentique peut résoudre des problèmes complexes, naviguer dans l’ambiguïté, planifier et prendre des décisions.

Rappelez-vous la dernière fois que vous avez demandé à Chat GPT, Google Gemini ou tout autre chatbot LLM certains résultats et que vous avez été déçu par des réponses trop génériques, parce que les modèles actuels sont limités à des données préentraînées et à la portée restreinte, la plupart des informations provenant d’internet. Tandis que l’IA agentique, elle, ne se contente pas de suivre les instructions, mais anticipe vos besoins et propose des solutions créatives. Prenons un exemple simple (figure a) : si vous demandez une suggestion pour un fabricant de purificateurs d’air, l’IA générative fera des recommandations, mais l’IA agentique pourra vous dire lequel est le préféré des utilisateurs en fonction de données en temps réel, et aller plus loin, c’est-à-dire même passer la commande pour vous.

L’IA agentique en action – « Divers cas d’utilisation par secteur »

Alors que la GenIA était au centre de l’attention et de la transformation, les organisations peinaient à en tirer une valeur commerciale tangible. Alors que les grands modèles de langage sont impressionnants, leurs cas d’utilisation en entreprise demeurent limités. Les sommes investies dans les immenses LLM ne porteront peut-être pas de fruits immédiats, alors que l’IA basée sur les agents paraît bien plus prometteuse pour renforcer le monde de l’IA.

Si le secteur principal bénéficiaire est le développement de logiciels, il ne s’y limite pas et on peut imaginer une transformation majeure dans tous ces secteurs.

Développement logiciel : Imaginez des entités pilotées 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 manière autonome des systèmes complexes, écrire, déboguer et optimiser du code, ainsi que gérer les processus de tests et de contrôle qualité. Ce changement pourrait accélérer considérablement la création de logiciels et bouleverser les méthodes traditionnelles de développement et de maintien des produits numériques. Selon les recherches de Gartner, d’ici 2028, 90 % des ingénieurs logiciels d’entreprise utiliseront des assistants de code IA, contre seulement 14 % début 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 les données de divers systèmes de gestion TI, apprend des incidents passés et modifie de façon autonome son approche à la résolution de problèmes, ce qui mène à une résolution plus rapide et plus précise des billets TI.
2. Actions intelligentes : L’IA agentique peut identifier de façon autonome la cause fondamentale des problèmes, isoler les systèmes touchés et mettre en place des solutions sans intervention humaine. Par exemple, en cas de panne de serveur ou d’interruption du réseau, elle peut rediriger le trafic ou redémarrer les serveurs, ce qui accélère grandement les temps de réponse et réduit le besoin de surveillance manuelle.
3. Personnalisation : Pour les tâches répétitives comme la réinitialisation de mots de passe et l’accès aux logiciels, l’IA agentique offre un degré de personnalisation supérieur. Elle ajuste les permissions d’accès et les solutions de mise à disposition selon les comportements et les tendances de chaque utilisateur, améliorant ainsi l’expérience globale des utilisateurs.
4. Démarche prédictive : Grâce à l’analytique des données, l’IA agentique peut prévoir quand les systèmes TI risquent de tomber en panne et effectuer de la maintenance avant que les problèmes ne surviennent. Cette approche proactive permet d’optimiser l’infrastructure TI et de maintenir la disponibilité des systèmes

Service à la clientèle : Agentic AI peut fondamentalement transformer le paysage du service à la clientèle en créant des agents virtuels intelligents et infatigables qui gèrent de façon autonome les demandes de renseignements et les requêtes de soutien, remplaçant ainsi le soutien humain. Les temps d’attente pourraient chuter de 30 à 40 %, améliorant la satisfaction des clients. Ces systèmes propulsés par l’IA peuvent analyser les interactions avec les clients, prédire leurs besoins et offrir des réponses personnalisées en temps réel. Qu’il s’agisse de simples FAQ ou de problèmes complexes — réduisant les délais d’attente et augmentant la satisfaction des clients.

Finance : Dans le domaine financier, les agents IA pourraient révolutionner la gestion des investissements. En analysant sans cesse les données de 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 augmenter les rendements pour les investisseurs. Les avantages ne se limitent pas aux stratégies financières, mais peuvent aussi aider à la gestion des risques en balayant de grandes quantités de données pour contenir l’exposition et assurer la conformité aux règlements.

Chaîne d’approvisionnement : Les domaines de la logistique et de la gestion de la chaîne d’approvisionnement vivront des changements majeurs avec l’adoption de l’Agentic AI. Les gains d’efficacité sont générés en répondant à la volatilité de la demande, en optimisant les itinéraires et par l’entretien préventif, ce qui intensifie les performances opérationnelles. De plus, l’IA peut imiter les décisions humaines afin d’améliorer l’expérience client grâce au suivi en temps réel et à des recommandations personnalisées.

Maturité des agences IA

L’application d’agents logiciels basés sur l’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 infinis. La question de l’adoption se pose et celle-ci dépend ultimement du niveau de maturité des agences IA. À l’heure actuelle, les agences IA ne sont pas encore matures et nécessitent un développement supplémentaire.

Il existe principalement deux systèmes : les systèmes à agent unique et les systèmes multi-agents, et c’est là que s’effectue le grand basculement et où la maturité progresse. Mais même dans le parcours du passage des IA à agent unique aux IA multi-agents, il existe diverses avancées à travers les niveaux; dans la figure b, vous verrez trois étapes de l’IA à agent unique elle-même, du niveau de base au niveau dynamique jusqu’à l’incorporation de ReAct et reflex.

Les systèmes basés sur des agents effectuent un appel de fonction à un seul LLM et gèrent une tâche spécifique de façon semi-autonome. Grâce à la fonction dynamique, ils offrent la flexibilité d’élargir le choix d’outils. De même, l’incorporation de ReAct et reflex permet aux agents uniques d’effectuer une auto-réflexion et de s’auto-corriger.

Le passage des agents uniques aux multi-agents change complètement la donne : chaque agent communique avec son propre LLM, autorisant le traitement parallèle des tâches et s’adaptant à des scénarios plus complexes et réalistes. Avec l’inclusion d’un niveau méta entre agents, la coordination s’améliore énormément, ce qui rend les systèmes multi-agents (MAS) hautement adaptatifs à des environnements et des sondes variés. La boucle de rétroaction avec les MAS représente le niveau de maturité le plus élevé, où les agents apprennent de leurs sorties : ils se critiquent, s’analysent et se conseillent mutuellement, atteignant ainsi un niveau supérieur de résolution de problèmes.

Tendances et prévisions : adoption, utilisation et évolution de l’Agentic AI

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

Sources :

1. https://techinformed.com/2025-informed-the-year-of-agentic-ai/
2. IA agentique – la nouvelle frontière de l’IA générative

Bien qu’il existe des risques associés à son adoption et à son développement, l’IA agentique est le carburant essentiel pour façonner l’avenir des affaires et accélérer l’autonomisation des modes de travail. Chez HCLTech, nous aidons les entreprises à adopter et à développer 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.