.webp)
Cet article fait partie d'une série d'article sur l'IA. Pour accéder au premier article, cliquez ci-après : Comprendre le paysage moderne de l'IA.
Pour beaucoup d'entre nous, la promesse de l'IA n'a pas encore été délivrée et est même loin de satisfaire les attentes. Bien que la plupart d'entre nous ait déjà utilisé ChatGPT pour rédiger un email ou résumer un document, il est juste de dire que la plupart des industries n'ont pas encore ressenti les évolutions de fond qui avaient été annoncées.
Je crois que les agents vont changer cela.
L'IA agentique est passionnante car là où l'IA générative est conçue pour créer, l'IA agentique est conçue pour agir. Mais que cela signifie t-il concrètement ?
Qu'est-ce qu'un agent d'IA ?
Un agent d'IA est un système qui utilise l'IA pour percevoir son environnement, prendre des décisions et entreprendre des actions afin d'atteindre des objectifs spécifiques.
Les agents peuvent être représentés par un "cerveau" (supporté par les derniers LLM ou Large Language Model), qui fonctionne avec un ensemble d'"outils" nécessaires à l'agent pour accomplir son travail, parmi lesquels :
- Une fonction de recherche permettant à l'agent de rechercher des informations dans une base de données ou sur le web.
- Une calculatrice permettant d'effectuer des calculs qu'un LLM pourrait avoir du mal à faire.
- Des API qui se connectent à vos applications telles que votre courrier électronique ou votre calendrier.
Ces outils permettent à l'agent de recueillir et d'analyser des informations, mais aussi d'agir, c'est-à-dire de percevoir le monde qui l'entoure et d'interagir avec lui.
Pourquoi maintenant ?
L'engouement pour les agents dIA est aujourd'hui dû à des avancées majeures dans les capacités de raisonnement des grands modèles de langage (LLM), qui ont considérablement amélioré leur capacité à traiter des informations, à prendre des décisions et à exécuter des tâches complexes.
Ces progrès sont démontrés dans des modèles tels que o1 et maintenant o3 d'OpenAI, ainsi que dans le nouveau venu DeepSeek. Si vous souhaitez savoir comment ces modèles "pensent", DeepSeek vous permet de jeter un coup d'œil en coulisses :
Ce processus, dans lequel le LLM engage un dialogue avec lui-même pour vérifier sa propre pensée, est connu sous le nom de "chaîne de pensée". Il permet à des entreprises comme Microsoft, OpenAI, Salesforce et Pigment de créer des agents d'IA beaucoup plus performants.
Il faut savoir que ces modèles de "raisonnement" sont beaucoup plus lents à produire des résultats - c'est le prix à payer pour obtenir des réponses plus précises, et c'est en partie la raison pour laquelle il est important que les agents travaillent de manière asynchrone.
Comment cela fonctionne - décomposition des tâches
La chaîne de pensée permet aux agents de décomposer les tâches complexes en éléments plus simples et plus faciles à mettre en œuvre. C'est ce que nous appelons la décomposition des tâches.
Lorsqu'un agent reçoit une requête, la première étape consiste à analyser la tâche à accomplir et à la diviser en soustâches plus petites. Il crée lui-même son plan à suivre, en gardant à portée de main la bibliothèque d'outils à laquelle il a accès.
Prenons un exemple. Imaginez que vous demandiez à un agent assistant personnel :
"Planifiez une réunion avec mon équipe la semaine prochaine, lorsque tout le monde sera disponible.
Raisonnement
L'agent interprète la demande et détermine qu'il s'agit de trouver un créneau pour une réunion, les paramètres à prendre en compte étant le délai (la semaine prochaine), les participants (votre équipe) et leur disponibilité (à déterminer).
Il détermine ensuite la liste des tâches qu'il doit accomplir pour satisfaire votre demande :
- Récupérer les données du calendrier de tous les participants
- Trouver un créneau commun de disponibilité
- Envoyer des invitations par email à chaque participant
- Contrôler les réponses pour vérifier si la réunion a été acceptée
- Vous informer du résultat
Action
Cet agent récupère les données des calendriers à l'aide d'un outil qui le connecte à Google Calendar ou Microsoft Outlook.
Il utilise ensuite un autre outil qui lui permet d'envoyer des invitations par email à tous les participants.
Une fois cette étape franchie, un autre outil lui permet de surveiller la boîte de réception pour y trouver des réponses et les analyser.
S'il reçoit une réponse inattendue - par exemple, un membre de l'équipe ne répond pas alors qu'il semble libre -, il peut revoir son plan et proposer un nouveau créneau.
Il s'agit là d'une caractéristique essentielle d'un agent : il réévalue constamment le plan au fur et à mesure qu'il progresse. C'est ce qui rend un agent beaucoup plus puissant qu'un chatbot normal. Il est en effet capable de penser en dehors de sa programmation normale pour résoudre des problèmes.
Apprentissage
Un autre aspect clé de l'IA agentique est sa capacité à se souvenir. Imaginons qu'un membre de l'équipe ait répondu :
"Désolé.e, je dois aller chercher mes enfants à l'école plus tôt le mercredi !"
Le système agentique sera capable de conserver ces informations utiles en mémoire (sur le long terme) pour la prochaine demande similaire. Au fil du temps, l'agent devient de plus en plus rapide et compétent pour vous aider personnellement.
L'IA agentique au service de la planification
La planification est légèrement plus complexe que la gestion d'un agenda. Mais l'intérêt des systèmes agentiques est qu'ils sont modulables et peuvent donc être adaptés selon le niveau de complexité.
De plus, un agent peut faire appel à un autre agent - et c'est là que les choses peuvent devenir vraiment intéressantes. Ils seront capables d'interagir entre eux de manière autonome pour fournir des réponses à des questions complexes et effectuer des tâches quotidiennes qui aujourd'hui vous prennent du temps.
Dans le prochain article, je décrirai plus en détail le projets d'agents de planification que Pigment est en train de développer.
