L'IA a pris d'assaut le monde et les entreprises s'efforcent de trouver des moyens efficaces d'exploiter son pouvoir. Alors que de nouveaux outils et de nouvelles fonctionnalités apparaissent presque quotidiennement, suivre le rythme de l'innovation est à la fois un défi et une nécessité.
‍

Plus tôt cette année, IBM a organisé une table ronde sur l'IA agentique à Bracknell, présentant des concepts, des démonstrations et des cas d'utilisation reflétant la manière dont l'IA agentic est sur le point de remodeler la façon dont nous créons des applications intelligentes.

La session a réuni des participants de Bell Integration et de Naviam pour un atelier approfondi sur l'IA agentique, une approche de nouvelle génération pour créer des systèmes intelligents.

Les flux de travail LLM traditionnels par rapport à l'IA agentic

Les applications courantes basées sur LLM d'aujourd'hui sont conçues selon un flux linéaire : les utilisateurs saisissent des requêtes et le système passe par une séquence fixe d'étapes avant de renvoyer une sortie. Ces flux de travail sont prévisibles et gérables, mais ils nécessitent souvent une supervision humaine en cas de problème ou si des informations supplémentaires sont nécessaires.
‍

Les systèmes d'IA agentic, en revanche, sont dynamiques et adaptatifs. Au lieu de suivre un chemin codé en dur, ils évaluent le contexte actuel, déterminent quelles informations supplémentaires (le cas échéant) sont nécessaires, choisissent les outils à invoquer et révisent leur plan si nécessaire. Ils ne se contentent pas de suivre les instructions ; ils réfléchissent à la marche à suivre.

De RAG à Agentic RAG

Les systèmes RAG (Retrieval-Augmented Generation) sont un bon exemple de cette évolution. Un système RAG fonctionne en combinant un composant de récupération avec un modèle de langage, ce qui permet au modèle d'accéder à des sources de connaissances externes en temps réel au lieu de se fier uniquement à ses données d'entraînement internes. Le RAG traditionnel impliquait d'interroger un magasin de vecteurs, de récupérer les meilleurs résultats et de transmettre ces informations au LLM pour la génération de réponses.
‍

Dans un système Agentic RAG, le processus démarre de la même manière mais comporte ensuite une petite torsion. L'agent évalue si les documents récupérés sont suffisants. Dans le cas contraire, il peut lancer une recherche sur le Web ou interroger une autre base de données. Il peut même appeler un autre agent pour l'aider. La principale différence : l'agent prend les décisions de manière autonome, optimisant ainsi le flux de travail en temps réel.

‍

Lendyrx : l'IA agentic d'IBM en action

Lendyrx est une application financière développée par IBM selon une approche agentique. Ce système permet aux utilisateurs d'interagir de manière conversationnelle avec leurs données bancaires. Sous le capot, plusieurs agents travaillent ensemble pour répondre aux demandes :

• Agent de planification décide de la structure globale des tâches

• Agent de données récupère les données bancaires pertinentes.

• Agent de visualisation présente les données de manière appropriée
  ‍

Ce système est construit à partir de LangGraph, un framework agentique où chaque étape (planificateur -> exécuteur -> outils) conserve et utilise le contexte historique. Chaque agent possède un petit descripteur basé sur des instructions qui aide l'agent Planner à décider lequel utiliser en fonction des entrées de l'utilisateur.

Pourquoi utiliser plusieurs agents ?

Pourquoi ne pas utiliser un seul LLM ? Parce que la décomposition des tâches entre plusieurs agents permet une meilleure spécialisation, une meilleure détection des erreurs et une meilleure autonomie. Par exemple, dans une démo IBM, il y avait un agent générateur de code et un agent d'exécution de code distinct qui garantissent le fonctionnement du code. Sans cette configuration, un humain devrait valider chaque résultat.
‍

Cela dit, il y a des limites. Si trop d'agents sont utilisés, les performances peuvent se dégrader, non seulement en termes de vitesse du système, mais également en termes de fiabilité et de qualité de sortie. Chaque agent fonctionne généralement dans sa propre boucle de planification, d'exécution et de réflexion, et lorsque plusieurs agents sont orchestrés ensemble, cela peut entraîner des frais de coordination, des conflits de ressources ou même des décisions contradictoires s'ils ne sont pas gérés avec soin. Cela peut ralentir les flux de travail, introduire des étapes redondantes ou inciter les agents à « se marcher les uns sur les autres » lorsqu'ils accèdent à des outils ou à des données partagés. Il est important de concevoir les flux de travail de manière réfléchie pour s'assurer que chaque agent a un rôle et une portée clairs. Trouver un équilibre entre complexité et fonctionnalité est essentiel pour créer des systèmes agentiques à la fois puissants et performants.

L'IA agentique pour les entreprises : potentiel d'automatisation

L'automatisation est l'une des promesses les plus convaincantes de l'IA agentique. IBM estime que l'IA pourrait automatiser jusqu'à 70 % des tâches de l'entreprise. L'atelier a mis en lumière deux cas d'utilisation intéressants :
‍

1. Réponse politique détaillée - Un client du secteur public devait répondre à des lettres complexes demandant des éclaircissements sur les politiques. Ces réponses peuvent prendre jusqu'à deux heures et nécessitent la contribution d'experts politiques. À l'aide d'un flux de travail agentic sur watsonx.ai, IBM a automatisé le processus. Désormais, le système génère des réponses en quelques minutes, sur la base de documents politiques officiels. Les humains peuvent surveiller et ajuster selon les besoins.
   ‍

2. Triage des réclamations d'assurance - Une compagnie d'assurance a déployé un système d'agence qui imite une « boucle pensée-action » :
   
   • Réfléchit aux étapes nécessaires
   • Récupère les données de réclamation pertinentes
   • Met une action
   • Réévalue le résultat
     ‍

Il en résulte un traitement plus rapide et plus cohérent des réclamations tout en réduisant les frais humains.

Défis : précision, validation et mise à l'échelle

Les systèmes agentiques offrent de la flexibilité, mais cela s'accompagne de complexité. Il est essentiel de garantir la précision des résultats. Les conférenciers de l'atelier ont recommandé de fixer des limites à ce que les LLM peuvent et ne peuvent pas faire. Pour garantir la cohérence, il est essentiel d'utiliser des modèles éprouvés et des instructions de réglage.
‍

La validation reste l'un des défis les plus difficiles. Un cas de Bell Integration l'a clairement illustré : une configuration RAG linéaire a donné de bons résultats lors des démonstrations, mais a échoué en production en raison de l'absence de contrôles de précision robustes et réels. xA a proposé un correctif d'IBM : introduisez un nœud de validation, une étape supplémentaire du flux de travail qui compare les réponses générées par les agents à une vérité de base fiable avant de les accepter. C'est un moyen simple mais puissant de réduire la fausse confiance dans les sorties LLM.
‍

Il existe également des recherches prometteuses sur l'utilisation de l'apprentissage par renforcement (RL) pour aider les agents à devenir plus résilients et à s'autocorriger. Dans ce contexte, RL permet aux agents de recevoir des commentaires sur leurs actions, en récompensant les bons résultats et en pénalisant les mauvais, afin qu'ils puissent affiner leurs stratégies au fil du temps. Cela permet aux agents de tirer des leçons de leur expérience au lieu de se fier uniquement à des instructions statiques, ce qui les rend plus adaptables dans des environnements commerciaux dynamiques.

Ce qui vient ensuite

L'IA agentique représente un changement dans notre façon de concevoir les applications d'IA : des pipelines statiques basés sur des règles aux systèmes intelligents et adaptatifs capables de planifier, d'agir et d'apprendre. L'atelier a ouvert les yeux, non seulement pour présenter les capacités techniques, mais aussi pour mettre en évidence les considérations stratégiques, conceptuelles et éthiques liées à l'adoption de ces systèmes.
‍

Le message était clair : le succès de l'IA agentique ne se limite pas à la création d'outils plus sophistiqués, mais à la conception de systèmes robustes, fiables et adaptés aux besoins du monde réel. Au fur et à mesure que les organisations passeront de l'expérimentation à la mise en œuvre, le défi consistera à évoluer de manière réfléchie, en équilibrant autonomie et supervision, et innovation et stabilité.
‍

Les systèmes agentiques continuent d'évoluer, tout comme les cadres dont nous avons besoin pour les créer, les valider et les gérer. La voie à suivre impliquera non seulement le développement technique, mais aussi la poursuite de la recherche, de la collaboration et de l'itération.