Travailler avec les agents IA
Ordinateurs de bureau
Comment les entreprises peuvent-elles intégrer les agents IA dans leurs opérations quotidiennes ?
Les agents IA ne se limitent plus à de simples démonstrations impressionnantes. La question clé pour les entreprises n’est plus seulement de savoir à quoi l’IA peut répondre, mais quelles tâches elle peut accomplir de manière fiable, et comment mettre en œuvre cette capacité sans perdre le contrôle.
Le premier article de blog de notre série « MSI - Regards sur l’IA » se penchait sur l’essor de l’IA agentique et le passage à une assistance allant au-delà des simples prompts. Le deuxième article portait sur l’endroit où les charges de travail liées à l’IA devaient être exécutées : sur site, dans le cloud ou via des approches hybrides. Le troisième s’interrogeait sur la manière de mesurer la véritable valeur commerciale de l’IA au-delà de la productivité.
Ce quatrième article franchit une nouvelle étape : passer de la stratégie d’IA à la mise en œuvre concrète. Que vous travailliez de manière indépendante, que vous gériez une équipe en pleine croissance ou que vous dirigiez des opérations interservices, les premières étapes sont assez similaires : choisir le bon workflow, établir des limites claires et vérifier les résultats.
Cet article présente les décisions cruciales à prendre pour déployer efficacement des agents IA. Pour découvrir le cadre complet, consultez l’article n° 004 de notre dossier « MSI - Regards sur l’IA » - Travailler avec les agents IA : un cadre pratique pour le déploiement de l’IA en entreprise.
De l’assistant IA à l’agent IA : la différence réside dans le workflow
Un assistant IA aide généralement à réaliser des parties spécifiques d’une tâche, comme résumer un document, expliquer une feuille de calcul ou rédiger un e-mail. En revanche, un agent IA peut assumer un rôle plus complet en poursuivant un objectif défini à travers plusieurs étapes approuvées. Il peut collecter des informations pertinentes, sélectionner un outil autorisé, vérifier les résultats, puis mener à bien le workflow en demandant une validation humaine si nécessaire.
Par exemple, si un client demande si un produit répond à des caractéristiques spécifiques, un assistant pourra suggérer une réponse appropriée. En revanche, un agent classera la demande, consultera les documents approuvés relatifs au produit, vérifiera les informations pertinentes, préparera une réponse et signalera tout détail incertain pour examen. Avec une autorisation explicite, il pourra également créer un ticket de service ou mettre à jour le dossier client. Chaque action supplémentaire implique des responsabilités qui vont au-delà de simplement donner une bonne réponse.
La progression souhaitable n’est pas « plus d’autonomie à tout prix », mais :
Assister → Recommander → Exécuter avec validation → Exécuter dans certaines limites → Surveiller et remonter les problèmes
Un assistant de base peut s’avérer la solution la plus adaptée lorsqu’un processus autonome risquerait d’engendrer des coûts ou des risques inutiles sans améliorer les résultats. Les entreprises ne devraient déléguer que les étapes dont l’exécution apporte une valeur ajoutée et conserver le jugement humain là où cela est essentiel.
Commencez par le workflow, pas par la technologie
Le premier projet d’agent IA doit partir d’un problème métier récurrent, et non d’une comparaison de modèles. Les candidats idéaux à l’automatisation présentent des données d’entrée claires, des informations validées et accessibles, des étapes reproductibles, des résultats mesurables et des personnes désignées pour gérer les exceptions.
Parmi les tâches adaptées, on peut citer le classement des demandes entrantes, la préparation de rapports réguliers, l’organisation du suivi des réunions, la comparaison des documents des fournisseurs ou le suivi des modifications apportées à une source de connaissances approuvée. En ciblant un processus étroitement défini et récurrent, une entreprise peut obtenir des informations précieuses plutôt que de tenter d’automatiser d’un seul coup l’ensemble d’un service.
Avant de mettre en place un projet pilote, posez-vous les questions suivantes : qu’est-ce qui déclenche la tâche ? À quoi ressemble un résultat réussi ? Quelqu’un peut-il vérifier le résultat de manière indépendante ? L’agent peut-il s’arrêter en toute sécurité en cas d’informations manquantes ? Qui est responsable du processus ?
Par exemple, un distributeur pourrait commencer par récupérer des caractéristiques de produits vérifiées et rédiger des réponses aux demandes des clients. Cependant, la validation automatique des prix, des dates de livraison ou de la disponibilité des stocks doit rester en dehors du périmètre initial jusqu’à ce que l’exactitude, les autorisations et les validations aient été minutieusement testées.
Au cœur d’un agent IA opérationnel
Un agent IA opérationnel ne se résume pas à un grand modèle de langage (LLM). Le modèle aide à interpréter les instructions et à générer des réponses, mais une exécution métier fiable nécessite plusieurs capacités interdépendantes :
- LLM : interprète la demande, analyse la tâche et produit des sorties textuelles ou structurées.
- RAG / Base de connaissances : extrait le contenu pertinent de documents approuvés afin que les réponses reflètent les informations métier. La qualité et l’actualité des sources doivent toutefois encore être vérifiées.
- Mémoire : conserve le contexte approprié de la tâche ou l’état sélectionné du workflow, avec des limites claires en matière de conservation et d’accès.
- Appel d’outils : sollicite des fonctions autorisées telles que la consultation d’enregistrements, la recherche dans des dossiers approuvés ou la création de brouillons.
- Orchestration : coordonne les étapes, l’exécution des outils, la validation, les nouvelles tentatives et la remontée vers un intervenant humain.
Ces composants fonctionnent ensemble selon la séquence suivante :
Demande métier → Connaissances approuvées → Planification et utilisation des outils → Vérification du résultat → Validation humaine si nécessaire → Enregistrement du résultat
Tous les déploiements ne nécessitent pas plusieurs agents. Souvent, un agent unique doté d’un petit ensemble d’outils fiables est plus facile à valider et à maintenir. Des agents spécialisés peuvent s’avérer utiles lorsque des rôles ou des systèmes distincts nécessitent véritablement une coordination. Cependant, chaque transfert introduit des coûts supplémentaires, des retards et des points de défaillance potentiels.
Où les agents IA doivent-ils fonctionner ?
Comme évoqué dans notre article n° 002, le déploiement relève d’une prise de décisionliée à la charge de travail. L’IA locale peut faciliter la gestion contrôlée des données et certaines tâches hors ligne, tandis que l’IA dans le cloud offre l’accès à des modèles puissants et à des services évolutifs. L’IA hybride combine ces deux approches en répartissant les différentes étapes entre divers environnements en fonction des besoins de l’entreprise.
Par exemple, un agent peut récupérer des documents internes en local tout en envoyant une question approuvée et simplifiée à un modèle dans le cloud pour une tâche de raisonnement complexe. D’autres flux de travail peuvent s’exécuter entièrement d’un seul côté. Le meilleur choix dépend de la sensibilité des données, des capacités du modèle, du temps de réponse, de la disponibilité du réseau, des coûts d’exploitation et des ressources de maintenance.
Il est important de noter que l’exécution d’un modèle en local ne rend pas automatiquement l’ensemble du flux de travail privé. Les recherches externes, les communications, la télémétrie et les outils connectés peuvent toujours faire sortir des informations hors d’un environnement contrôlé. Évaluez l’ensemble du parcours des données, et pas seulement l’endroit où le modèle s’exécute.
L’autonomie doit se mériter, elle ne va pas de soi
Les agents IA peuvent tomber sur des instructions trompeuses contenues dans des e-mails, des sites web ou des documents qu’ils récupèrent. Ils peuvent également générer des informations erronées ou entreprendre des actions dépassant le cadre prévu. Par conséquent, pour garantir la préparation de l’entreprise, il est nécessaire de mettre en place des contrôles d’autorisation, une validation, une surveillance et une responsabilité humaine clairement définie.
Une approche pratique de la mise en œuvre de l’IA commence par l’octroi d’un accès en lecture seule. On peut ensuite évoluer vers l’autorisation de créer des brouillons, puis mettre en place des points de contrôle et de validation pour les actions ayant des conséquences importantes. Ce n’est qu’après ces étapes qu’une exécution autonome strictement définie devrait être accordée. Des actions telles que l’envoi de messages externes, la modification des dossiers clients, la réalisation d’achats ou la suppression d’informations doivent faire l’objet de contrôles plus stricts que la synthèse de documents internes.
L’approbation humaine n’est pas le signe d’un échec du déploiement de l’IA. Il s’agit d’un point de contrôle délibéré visant à garantir la précision, la conformité, le respect des engagements commerciaux et la gestion des exceptions. Les agents doivent également être en mesure d’interrompre le processus, d’expliquer une incertitude et de confier la tâche à une personne responsable.
Du projet pilote aux opérations quotidiennes
Le déploiement réussi d’un système est un processus plutôt qu’un événement ponctuel. Le projet « MSI – Regards sur l’IA » présente six étapes pratiques pour ce processus :
- Définir : choisissez un flux de travail, son responsable, le résultat visé et les limites opérationnelles.
- Préparer : vérifiez les sources de connaissances, les autorisations d’accès aux données, l’accès aux outils et l’infrastructure.
- Prototypage : élaborez un workflow contraint à partir de cas réels représentatifs.
- Validation : comparez les performances par rapport à la référence, en tenant compte des erreurs et des corrections humaines.
- Déploiement : mettez en place un accès limité en production, assorti d’une procédure d’approbation, d’une journalisation et d’un support.
- Amélioration : actualisez les connaissances, examinez les résultats et n’étendez le système que lorsque cela se justifie.
La validation doit inclure des cas difficiles et pas seulement des démonstrations réussies. Testez les demandes ambiguës, les documents manquants ou obsolètes, les défaillances des outils et les tentatives de dépassement des autorisations. Après le lancement, mesurez la qualité d’exécution de bout en bout, les taux d’intervention, les erreurs, les retouches, les délais d’exécution, le coût par workflow achevé et l’impact sur les clients ou les employés.
Le lien avec l’article n° 003 est simple :
Workflow de référence → Workflow optimisé par l’IA → Résultat vérifié → Valeur métier
Un workflow plus rapide n’est pas nécessairement meilleur s’il entraîne davantage de corrections. De même, un agent qui transmet en toute sécurité les cas complexes peut tout de même créer une valeur substantielle en accomplissant le travail de routine de manière cohérente.
Des agents IA pour toutes les tailles d’entreprise
Les professionnels indépendants et les utilisateurs de petites entreprises ou de bureaux à domicile (SOHO) peuvent commencer par organiser des documents de référence, préparer le suivi des réunions et rédiger des propositions. Les petites et moyennes entreprises (PME) peuvent associer les informations approuvées sur les produits aux demandes entrantes des clients et aux tâches de suivi. Les grandes organisations peuvent avoir besoin de coordonner les services entre les opérations, l’informatique et d’autres départements, tout en gérant les identités, les limites d’accès, les pistes d’audit et la gestion du changement.
L’architecture de ces agents IA peut évoluer au rythme de l’organisation. Le principe directeur doit rester le même : mettre en œuvre la conception d’agent la plus simple qui améliore de manière fiable un workflow pertinent, avec une supervision adaptée à son impact.
Points clés à retenir
- Commencez par un flux de travail mesurable et non par un modèle, une plateforme ou une démonstration impressionnante.
- Un agent IA combine raisonnement, connaissances validées, outils, orchestration et supervision.
- Choisissez une exécution locale, dans le cloud ou hybride en fonction des exigences de la charge de travail.
- Augmentez progressivement l’autonomie, en prévoyant une validation humaine pour les actions ayant des conséquences importantes.
- Suivez la démarche suivante : Définir → Préparer → Prototyper → Valider → Déployer → Améliorer.
- Mesurez les résultats vérifiés du workflow et la valeur métier, et non pas uniquement l’activité de l’agent.
Foire aux questions
Quelle est la différence entre un assistant IA et un agent IA ?
Un assistant IA aide généralement à accomplir une tâche ponctuelle alors qu’un agent IA peut poursuivre un objectif défini à travers plusieurs étapes autorisées, notamment la recherche de connaissances, l’utilisation d’outils et la demande d’approbation.
Une entreprise doit-elle développer son propre modèle d’IA ?
Non. Les entreprises peuvent utiliser des modèles existants, qu’ils soient locaux ou hébergés. L’essentiel consiste à définir le workflow RAG, à contrôler l’accès aux informations et aux outils et à valider les résultats.
Qu’est-ce que la RAG et en quoi est-ce important ?
La RAG, ou génération augmentée par récupération, fournit du contenu pertinent issu de sources de connaissances approuvées. Elle peut aider à ce que les réponses reflètent les documents actuels, mais ne garantit pas leur exactitude.
Ai-je besoin de plusieurs agents IA ?
En général, ce n’est pas nécessaire pour un premier projet pilote. Commencez par un agent bien ciblé et des outils fiables et n’ajoutez des agents spécialisés que lorsque la coordination améliore manifestement les résultats.
Un agent IA doit-il fonctionner en local ou dans le cloud ?
Cela dépend de la sensibilité des données, des besoins du modèle, de la connectivité, du coût, des performances et de la capacité opérationnelle. Les architectures hybrides permettent de répartir les différentes étapes entre plusieurs environnements.
Comment une entreprise peut-elle réduire les risques liés aux agents IA ?
Appliquez le principe du « privilège minimal », utilisez des sources fiables, mettez en place des validations, des points de contrôle d’approbation, des limites d’action, la journalisation et des chemins d’escalade clairs.
Comment évaluer un projet pilote d’agent IA ?
Comparez la situation de référence aux résultats vérifiés : qualité d’exécution, délai, erreurs, retouches, intervention humaine, coût par workflow et impact sur l’activité.
Par où une petite entreprise doit-elle commencer ?
Choisissez un workflow fréquent et à faible risque, dont la responsabilité est clairement définie et la valeur mesurable. Commencez par des actions en lecture seule ou en brouillon avant d’accorder des autorisations d’exécution.
Vous souhaitez avoir une vue d’ensemble ?
Travailler avec les agents IA : un cadre pratique pour le déploiement de l’IA en entreprise
Découvrez l’approche complète pour sélectionner les workflows, concevoir des agents, choisir les environnements de déploiement, gérer les risques et transformer les projets pilotes en opérations quotidiennes fiables.
Articles de blog
« MSI – Regards sur l’IA » - Numéro n° 003 | Au-delà de la productivité : quelle est la véritable valeur commerciale de l’IA agentique ?
https://fr.msi.com/blog/ai-insights-beyond-productivity-of-agentic-ai
https://fr.msi.com/blog/ai-insights-beyond-productivity-of-agentic-ai
« MSI – Regards sur l’IA » - Numéro n° 002 | L’entreprise hybride en matière d’IA : explorez les choix axés sur les charges de travail entre l’IA locale, dans le cloud et hybride.
https://fr.msi.com/blog/the-hybrid-ai-enterprise
https://fr.msi.com/blog/the-hybrid-ai-enterprise
« MSI – Regards sur l’IA » - Numéro n° 001 | L'IA agentique est là : découvrez comment nous sommes passés d'une assistance basée sur les prompts à l'utilisation de plusieurs agents IA.
https://fr.msi.com/blog/the-rise-of-agentic-ai
https://fr.msi.com/blog/the-rise-of-agentic-ai
