Introduction à l'AI agentique - Les agents IA

L’IA agentique est considéré par certains géants et industriels de l’IT ou du TMT comme une « nouvelle révolution » industrielle très prometteuse en ce qu’elle est capable de gérer des tâches complexes, avec des prises de décision comme un humain, mais sans une intervention importante de l’humain voire sans humain. Mais toute technologie aussi prometteuse soit-elle s’accompagne de risques énormes pour les organisations qui auront sous-estimés la mise en place d’une gouvernance de l’IA agentique dans leurs organisations.

Compte tenu de l’évolution très rapide et du développement de nouveaux cas d’utilisation, les cadres de gestion et de gouvernance tels que prévus pour l’IA génératives ou les modèles d’IA ou les systèmes d’IA sont-ils encore adaptés ? Certains cabinets de conseil (Deloitte) prévoit qu’en 2025, 25% des entreprises lanceront des projets d’IA agentique ou des preuves de concept (Proof of concept) en 2025, pour atteindre 50% en 2027.

Dans le paysage en constante évolution de l'intelligence artificielle, l'IA agentique émerge comme une innovation transformative. Contrairement à l'IA générative, qui se concentre sur la création de contenu comme du texte, des images ou du code, ou aux grands modèles de langage (LLM) comme ceux utilisés dans des outils comme ChatGPT, l'IA agentique est conçue pour poursuivre des objectifs définis le plus souvent par l’humain et prendre des décisions de manière autonome. L’IA agentique qui utilisent les techniques de l’apprentissage par renforcement et les algorithmes convolutifs est en pleine expansion. Elle peut planifier, exécuter des tâches complexes et s'adapter à des environnements dynamiques avec un minimum d'intervention humaine. C’est d’ailleurs ce sujet de minimisation de l’intervention humaine qui pourrait être la plus grande difficulté à la mise en place de cadres et d’une gouvernance de l’IA agentique. Cette capacité la rend particulièrement pertinente pour des secteurs comme la chaîne d'approvisionnement, la e-santé, l'industrie, la cybersécurité et les finances, tout en soulevant des questions de gouvernance, notamment sous l'angle du RGPD et de l'AI Act européen.

Définition de l’IA agentique.

Les définitions actuelles sur l'IA proviennent de sources diverses, telles que des publications de recherche, des rapports techniques et des articles du secteur de l'industrie. Il n'existe pas encore de définition légale de l'IA agentique acceptée par tous.

Les caractéristiques communes des définitions portent sur :

• L’autonomie décisionnelle: l’IA agentique est souvent définie par sa capacité à prendre des décisions autonomes, avec une intervention humaine minimale, voire sans intervention humaine. Cela implique que le système d’IA agentique peut analyser le contexte, l’environnement, évaluer des options sans un besoin d’instructions explicites à chaque étape.
• L’interaction avec un environnement numérique: un système d’IA agentique peut interagir avec son environnement, le plus souvent un environnement numérique mais certains évoquent déjà des environnements physiques (dans le monde réel). Cette capacité permet à l’IA agentique de « percevoir » son environnement, d’agir dans cet environnement et de recevoir des informations provenant de cet environnement.
• Une capacité d’apprentissage et d’adaptation: l’IA agentique est conçu pour avoir des capacités d’apprentissage, pour s’adapter à des situations nouvelles ou changeantes. Grâce à des appels de fonction, les IA agentiques peuvent se connecter à des outils tels que des API (Interfaces de programmation des applications).
• Une orientation vers des objectifs spécifiques : l’IA agentique est également conçu pour atteindre des objectifs spécifiques utilisant les capacités de perception, de décision, d’apprentissage pour exécuter des actions pour atteindre ses objectifs Les IA agentiques des systèmes d’IA, basés sur des LLM, capables d’accomplir des actions et des objectifs très spécifiques.

Cependant, plusieurs organisations et initiatives travaillent à établir des cadres de référence pour l'IA, y compris les systèmes agentiques. La norme ISO/CEI 22989 :2022(F) adopté par le comité de l’ISO/IEC JTC 1/SC 42 (Intelligence artificielle) inclut une définition de l’IA Agent définit comme « automated entity that senses and responds to its environment and takes actions to achieve its goals (Traduction libre : entité automatisée qui détecte et réagit à son environnement et prend des mesures pour atteindre ses objectifs). L'IEEE (Institute of Electrical and Electronics Engineers) développe également des normes pour les systèmes autonomes et intelligents, qui pourraient être pertinentes pour l'IA agentique.

Bien qu'il n'y ait pas de définition normalisée, il existe un consensus émergent sur les caractéristiques clés de l'IA agentique, telles que l'autonomie, la capacité de perception et d'action dans un environnement, et la capacité d'apprentissage et d'adaptation.

IA Agentique vs IA génératives et LLM’s. Contrairement à l'IA générative, qui produit du contenu comme du texte ou des images, ou aux grands modèles de langage (LLM) comme ceux utilisés dans ChatGPT, l'IA agentique peut planifier, exécuter des tâches complexes et s'adapter à son environnement avec peu d'intervention humaine. Cela en fait un outil puissant pour divers secteurs, mais aussi une source de défis réglementaires et éthiques.

Consulter le  tableau comparatif pour clarifier et comparer l'IA agentique et les IA génératives et LLM's en notes de bas de page.

Cas d'usages de l’IA agentique par domaines.

L’utilisation de l’AI agentique est quasiment illimité. Certains grands acteurs dans le domaine des technologies

L'IA agentique trouve des applications dans de nombreux domaines, chacun bénéficiant de son autonomie et de sa capacité à traiter des données en temps réel :

• Chaîne d'Approvisionnement : Selon SupplyChains Magazine: The Impact of Agentic AI on Supply Chain Management, l'IA agentique peut prendre des décisions autonomes pour éviter les ruptures de stock, planifier la logistique, et apprendre continuellement à partir de données. Par exemple, Amazon utilise cette technologie pour ajuster dynamiquement les niveaux d'inventaire, réduisant les ruptures de 32%. D'autres cas incluent l'optimisation des routes (LeewayHertz: AI agents in logistics and supply chain) et la gestion des prévisions de demande.
• ‪E-Santé (E-Santé) : Dans le domaine de la santé, l'IA agentique améliore les résultats grâce à des soins personnalisés, comme l'analyse des données des patients pour des plans de traitement (Softweb Solutions: Agentic AI in healthcare). Elle facilite aussi la surveillance à distance via des dispositifs portables, la découverte de médicaments en simulant des essais cliniques, et l'automatisation des tâches administratives comme la planification (AWS: How agentic AI systems can solve problems in healthcare).
• ‪Industrie : Dans l'industrie, l'IA agentique optimise les processus de fabrication en prédisant les besoins de maintenance, gère la distribution d'énergie, et soutient les véhicules autonomes (DaffodilSW: Top 20 Agentic AI Use Cases). Par exemple, elle analyse les données des capteurs pour réduire les temps d'arrêt dans la production (TechTarget: 10 real-world agentic AI examples and use cases).
• ‪Cybersécurité : L'IA agentique renforce la cybersécurité en détectant et répondant aux menaces en temps réel, automatisant la réponse aux incidents, et gérant les vulnérabilités (AIMultiple: Agentic AI in Cybersecurity). Elle peut bloquer des adresses IP suspectes ou isoler des systèmes compromis, réduisant la charge des équipes de sécurité (CIO: Agentic AI: 6 promising use cases for business).
• ‪Finances : Dans le secteur financier, l'IA agentique détecte les fraudes en analysant les modèles de transaction, gère les risques, et exécute des trades automatiquement (World Economic Forum: How Agentic AI will transform financial services). Elle offre aussi des conseils financiers personnalisés, comme ajuster des portefeuilles en fonction des tendances du marché (A3Logics: Use Cases of AI Agents in Finance).

Quelques exemples concrets d’IA agentiques en 2025

Pour vous faire une idée, voici quelques exemples d’IA agentiques :

• Le cadre d’IA agentique « AI-Q Blueprint » (de NVIDIA) basée sur les modèles de raisonnement Llama Nemotron (LLM customisés par NVIDIA), est une IA agentique de modèles de raisonnement avancés pour structurer la prise de décision et l’apprentissage adaptatif. Selon NVIDIA, AI-Q est utilisée dans le domaine de la finance, par VISA, pour automatiser l’analyse des emails de phishing, pour améliorer les défenses en cybersécurité ;
• AutoGen (de Microsoft) est une IA agentique open-source permettant de créer des applications d’IA multi-agents pour effectuer des tâches complexes. AutoGen est disponible sur GitHub ;
• Deep Research (de Google) est une IA agentique appliquée à la recherche en ligne. Elle permet selon Google de planifier et d’exécuter des recherches complexes en plusieurs étapes, en analysant et en synthétisant de grandes quantités d’informations provenant du web ;
• Devin (de Cognition.ai) est une IA agentique conçu pour planifier et exécuter des tâches d’ingénierie complexes nécessitant des milliers de décisions. Cet agent IA peut se souvenir du contexte pertinent à chaque étape, apprendre au fil du temps et corriger les erreurs.
• Site Optimization Agent (d’Adobe) est une IA agentique non open-source qui est capable de sillonner l’ensemble des pages d’un site web en repérant les pages trop lourdes en JavaScript, et qui peut suggérer des optimisations de SEO, de réduire certains scripts ou de corriger des balises incomplètes ou mal renseignées ;
• Kozuchi AI Agent (de Fujitzu) est une IA agentique qui optimise les lignes de production et les flux logistiques dans l’industrie ;

Harvey (de Harvey AI) ou est, pour nous juristes et avocats, spécialistes de la conformité, une IA agentique qui simplifie les recherches juridiques, ainsi que la rédaction de documents et la conformité réglementaire.

Bénéfices de l’IA agentique en entreprise

Les avantages de travailler avec l’AI agentique promettent d’atteindre une efficacité accrue, une réduction des coûts, et une innovation potentielle, grâce à sa capacité de raisonnement et de traitement de grands volumes de données et à prendre des décisions rapides. Les systèmes d’IA agentiques promettent également de transformer la collaboration homme-machine, d’entraîner une spécialisation de la main-d’œuvre humaine. Certains éditeurs de logiciels d’IA agentiques, ne parlent pas de collaboration homme-machine mais de collaboration IA agentique et plateformes de données.

Les avantages de l'IA agentique promettent d’être significatifs, renforçant son attrait pour les entreprises :

• ‪Autonomie et efficacité : En agissant de manière autonome, elle réduit le besoin d'intervention humaine, accélérant les processus (Moveworks: Here's 6 Agentic AI Examples and Use Cases).
• ‪Prise de décision en temps réel : Elle analyse les données en temps réel, crucial pour des environnements dynamiques comme les marchés financiers (IBM: Agentic AI: 4 reasons why it’s the next big thing).
• ‪Évolutivité : Capable de gérer de grands volumes de données, elle est idéale pour les grandes entreprises (TechTarget: What Is Agentic AI? Complete Guide).
• ‪Réduction des coûts : L'automatisation des tâches répétitives diminue les coûts opérationnels (Salesforce: What is Agentic AI?).
• ‪Précision améliorée : Grâce à l'apprentissage continu, elle améliore la précision des décisions au fil du temps (UiPath: What is Agentic AI?).
• ‪Innovation : Elle permet de créer de nouveaux modèles d'affaires, comme des services autonomes (HBR: What Is Agentic AI, and How Will It Change Work?).

Risques de l’IA Agentique

Malgré ses avantages, l'IA agentique présente aussi des risques qui nécessitent une gestion attentive :

• ‪Absence de contrôle ou perte de contrôle humain : Ses décisions autonomes pourraient ne pas toujours s’aligner avec les valeurs humaines, menant à des conséquences imprévues (TechTarget: What Is Agentic AI? Complete Guide).
• ‪Risques de sécurité : Si mal sécurisée, elle est vulnérable aux cyberattaques, risquant des violations de données (HBR: What Is Agentic AI, and How Will It Change Work?).
• ‪Préoccupations éthiques : Les biais dans les décisions, les violations de confidentialité, et la discrimination sont des risques majeurs (European Parliament: Algorithmic discrimination under the AI Act and the GDPR).
• ‪Déplacement d'emplois : L'automatisation pourrait entraîner des pertes d'emplois, nécessitant des programmes de reconversion (Forbes: Generative AI Vs. Agentic AI).
• ‪Dépendance à l'IA : Une dépendance excessive pourrait créer des vulnérabilités en cas de panne ou de compromission (IBM: Agentic AI: 4 reasons why it’s the next big thing).
• ‪Défis réglementaires : Assurer la conformité avec des réglementations comme le RGPD et l'AI Act peut être complexe.
• La dépendance excessive à l'IA et le déplacement d'emplois sont également des enjeux. Pour y faire face, des cadres de gouvernance comme le RGPD et l'AI Act européen imposent des exigences strictes, notamment en matière de protection des données et de transparence, rendant la conformité complexe mais nécessaire.

L'IA agentique représente une avancée prometteuse pouvant offrir des opportunités significatives pour l'efficacité, l'innovation et l'autonomie, avec des applications variées dans de nombreux domaines, la chaîne d'approvisionnement, la e-santé, l'industrie, la cybersécurité et les finances.

Conclusion

L'IA agentique représente une avancée prometteuse pouvant offrir des opportunités significatives pour l'efficacité, l'innovation et l'autonomie, avec des applications variées dans de nombreux domaines, la chaîne d'approvisionnement, la e-santé, l'industrie, la cybersécurité et les finances.

Cependant, ses risques, comme l’insuffisance du contrôle humain voire la perte de contrôle et les préoccupations éthiques, nécessitent une attention particulière aux enjeux de conformité et de gestion des risques.

Nous verrons dans le prochain numéro #5 à paraitre de la Newsletter Complethics4ia que l’IA agentique implique également la mise en place de cadres gouvernance solides et rigoureux. Le RGPD et l'AI Act européen fournissent des cadres essentiels pour assurer un déploiement responsable. L’IA agentique exige une conformité au RGPD et à l’AI Act complexe mais nécessaire pour assurer un usage éthique et responsable de ces technologies. En adoptant les bonnes pratiques, les organisations peuvent maximiser les bénéfices de l'IA agentique tout en protégeant les droits fondamentaux et les valeurs sociétales et en minimisant les risques.