Au-delà du battage médiatique : les véritables agents IA résolvent des problèmes bien définis, pas des fantasmes ouverts

L'IA Réaliste : De l'exécution des tâches encadrées, pas des fantasmes ouverts Le 6 juillet 2025 L'industrie technologique fait beaucoup de bruit autour des agents d'intelligence artificielle (IA) en les présentant comme des solutions prêtes à remplacer des départements entiers. Cette idée captive l'imaginaire : des systèmes autonomes capables de gérer n'importe quelle tâche, sans barrières ni contraintes, suffisamment puissants pour résoudre tous les problèmes dès lors qu'on leur accorde les ressources nécessaires. Pourtant, cette vision s'éloigne de la réalité, particulièrement dans le contexte de l'entreprise, où la fiabilité est cruciale. La différence entre les problèmes ouverts et fermés Les problèmes dits "ouverts" sont caractérisés par une absence de limites temporelles et spatiales, ainsi que par des tâches non préétablies qui émergent de manière dynamique. Dans un environnement "ouvert", l'IA doit opérer avec des informations incomplètes et s'adapter constamment à de nouvelles situations. C'est le rêve de l'intelligence générale artificielle (AGI) : des systèmes capables non seulement de raisonner, mais aussi d'improviser. En revanche, les problèmes "fermés" ont un périmètre bien défini, des règles claires, et les systèmes peuvent supposer qu'ils disposent de toutes les données pertinentes. Si quelque chose n'est pas explicitement vrai, il peut être considéré comme faux. Ce type de problématique représente l'essentiel des défis auxquels se confrontent les entreprises au quotidien : rapprochement des factures, validation des contrats, détection de la fraude, traitement des demandes, prévision des stocks, etc. | Caractéristique | Monde Ouvert | Monde Fermé | |------------------|-----------------------|----------------------| | Périmètre | Non défini | Bien décrit | | Connaissance | Incomplète | Complète (dans le domaine) | | Assertions | Inconnu ≠ faux | Inconnu = faux | | Tâches | Emergentes, imprévisibles | Prédéfinies, repetitive | Risques associés au battage médiatique Le battage médiatique autour des agents d'IA ouverts a des effets délétères. Il rend l'IA entreprise inaccessible en fixant le seuil de réussite trop haut. Les leaders d'entreprise entendent parler d'agents capables de tout faire et restent paralysés, ne sachant pas par où commencer. Le problème semble immense, flou et risqué. C'est une impasse, comparable à celui qui consisterait à concevoir des véhicules autonomes avant même de posséder un moteur à combustion fonctionnel. Faire face aux problèmes immédiats Plutôt que de s'appesantir sur des objectifs futurs impossibles à atteindre, il est crucial de se concentrer sur les problèmes concrets et immédiats dont la solution offre une valeur ajoutée tangible. Ces problèmes fermés sont non seulement solvables, mais ils sont aussi testables et capables d'être automatisés. Ils sont omniprésents dans chaque entreprise et attendent d'être traités par des systèmes adéquats. Les agents d'IA en entreprise Lorsque l'on évoque les agents d'IA actuels, on pense souvent à une fenêtre de chat où l'utilisateur envoie une requête et l'agent répond avec une suggestion pertinente. Ce modèle est approprié pour les démonstrations et les applications grand public, mais il ne reflète pas la réalité de l IA entreprise. Les agents vraiment utiles dans ce contexte sont autonomes. Ils ne restent pas inactifs en attendant une commande humaine. Ce sont des processus de longue durée qui réagissent aux données en temps réel, prennent des décisions, appellent des services et produisent des sorties de manière continue et asynchrone. Suivi des factures : Un agent peut surveiller l'arrivée des nouvelles factures, extraire les champs pertinents, les comparer aux bons de commande en cours, signaler les incohérences et diriger les factures vers l'approbation ou le rejet, tout cela sans intervention humaine. Onboarding des clients : Dès la création d'un nouveau compte, un agent pourrait vérifier les documents, effectuer des contrôles KYC (Know Your Customer), personnaliser l'expérience de bienvenue et programmer un message de suivi. L'utilisateur finirait par être mélangé à l'action de l'agent, mais il bénéficierait d'une intégration fluide et rapide. Une approche centrée sur l'ingénierie Pour construire des agents d'IA performants dans l'entreprise, il ne suffit pas de fine-tuner un modèle existant. La clé réside dans l'ingénierie logicielle : il faut assembler des modèles, des outils et des logiques préexistants. C'est une tâche d'ingénierie, pas de modélisation pure. Au cœur de ces systèmes, les agents d'IA sont simplement des microservices modernes dotés d'intelligence. On leur donne accès aux événements, on leur fournit le bon contexte et on laisse un modèle linguistique (LLM) piloter la logique de raisonnement. Agent = Microservice évènementiel + données contextuelles + LLM En pratique, cela signifie que l'on structure l'IA autour de tâches spécifiques et déterministes, en utilisant les modèles non déterministes là où c'est nécessaire. Par exemple, pour un système de traitement des réclamations d'assurance, l'agent pourrait identifier les réclamations évidentes (déterministes) et déléguer les cas plus complexes (non déterministes) à un modèle LLM pour une analyse plus approfondie. Le test : Un défi majeur Dans un contexte ouvert, le test des agents d'IA devient presque impossible. L'espace de problème n'est pas limité, les entrées peuvent être quelconques, et les critères de succès sont souvent flous. En revanche, les problèmes fermés facilitent le test car ils ont des entrées et des sorties bien définies. Chaque module d'un agent d'IA évènementiel peut être testé indépendamment, ses entrées et sorties simulées, et sa performance évaluée séparément. Par exemple, un agent responsable des factures peut-être testé en injectant des scénarios connus et en vérifiant s'il traite les factures correctement dans chaque cas. Cette modularité et l'encapsulation du domaine des modules permettent de construire des ensembles de tests qui donnent confiance dans le système. Construire la confiance L'IA en entreprise ne doit pas viser l' AGI, elle doit avant tout automatiser des tâches fonctionnelles et fiables. Plutôt que d'espérer qu'un modèle d'IA magiquement généralisable viendra résoudre tous les problèmes, il convient de revenir aux principes de base de l'ingénierie logicielle : décomposer les problèmes, construire des systèmes composites et assembler des composants de manière testable et observable. Conclusion Le futur de l'IA en entreprise commence avec des systèmes d'automatisation fonctionnels, pas avec une IA capabe de tout. Cela passe par la résolution de problèmes fermés, structurés et présentant de véritables opportunités d'impact. Ces succès s'accumulent, réduisent les coûts, libèrent du temps et renforcent la confiance dans l'IA comme élément fiable de l'écosystème technologique de l'entreprise. L'architecture des systèmes multi-agents évènementiels n'est pas une solution miracle, mais elle offre un cadre pratique pour travailler avec des outils imparfaits de manière structurée. Elle permet d'isoler les zones où l'intelligence est nécessaire, de contenir celles où elle n'est pas indispensable et de construire des systèmes qui se comportent de manière prévisible, même lorsque leurs parties individuelles sont incertaines. Évaluation par des professionnels de l'industrie : Sean Falconer, entrepreneur en IA chez Confluent, souligne que la tendance actuelle vers des agents d'IA tout-terrain risque de gaspiller du temps, de l'argent et de compromettre la confiance. Falconer préconise une approche pragmatique, consistant à décomposer les problems d'entreprise en tâches plus petites, testables et exécutables, plutôt que de chercher une solution miraculeuse à des problèmes ouverts. Confluent, spécialisée dans l'intégration et la gestion de flux de données en temps réel, sait pertinemment l'importance d'une architecture robuste et d'outils fiables. Falconer invite les entreprises à adopter une vision technique réaliste, qui s'appuie sur des principes d'ingénierie éprouvés, pour tirer parti de l'IA aujourd'hui et construire des systèmes qui délivrent de la valeur ajoutée, tout en préservant la fiabilité et la traçabilité. Profil de l'entreprise : Confluent est une entreprise technologique spécialisée dans la plateforme de streaming de données basée sur Apache Kafka. Elle offre des solutions pour collecter, stocker, traiter et distribuer des données en temps réel, facilitant ainsi des processus d'entreprise plus efficients et agiles. Avec son expertise en matière d'infrastructure évènementielle, Confluent est bien positionnée pour promouvoir une approche réaliste et pragmatique de l'IA entreprise, en mettant l'accent sur l'automatisation des tâches bien définies.