IA agentique : le prochain pari d’efficacité d’un trillion de dollars

Des LLM aux agents IA

La performance de l’IA a changé notre perception de la capacité des systèmes artificiels à interagir avec les personnes, en grande partie grâce à la parole quasi‑humaine des LLM (grands modèles de langage) comme ChatGPT.

Déjà avec ce niveau de capacité, l’IA peut assister ou même remplacer les humains pour des tâches telles que la traduction, la recherche de données, la programmation, etc. Cependant, un nouveau niveau de capacité de l’IA est en train d’être débloqué avec les agents IA. L’idée centrale des agents IA est de créer des IA capables d’opérer de façon indépendante dans un environnement donné. Cela leur permet d’agir par elles‑mêmes, sans besoin de confirmation ou de supervision constante.

Cela leur confère des rôles pratiques très différents de ceux de l’IA générative comme les LLM ou les générateurs d’images, qui sont principalement réactifs aux invites créées par les humains.

Dans ce contexte, « environnement » peut désigner à la fois des situations spécifiques du monde réel — comme une voiture sur la route pour un agent de conduite autonome — ou un « lieu » entièrement virtuel, comme une suite logicielle ou une interface numérique spécifique.

C’est l’étape où l’IA évolue du « Chat » au « Faire ». Contrairement aux LLM généralistes, les agents IA ont souvent un champ d’application plus limité et étroit. Cela les rend plus efficaces et plus fiables lorsqu’ils prennent des décisions autonomes, alors qu’une IA généraliste pourrait facilement s’écarter de façon inattendue.

Les agents IA sont la prochaine étape pour rendre l’IA utile à l’amélioration de l’efficacité d’innombrables processus.

Explication des agents IA

Glissez pour faire défiler →

Les agents IA sont-ils une nouvelle percée ou une évolution ?

Ces fonctionnalités placent les agents IA un cran au-dessus des itérations précédentes d’outils IA, comme les assistants et les bots, grâce à des capacités plus proactives, une autonomie accrue et la capacité de gérer des tâches complexes à plusieurs étapes.

Comme une véritable intelligence, ils peuvent s’auto‑affiner : ils apprennent de l’expérience, ajustent leur comportement en fonction des retours et améliorent continuellement leurs performances au fil du temps.

Ainsi, bien que les bots et les assistants IA puissent remplir des parties des tâches confiées à un agent IA, l’autonomie, l’approche proactive et le haut niveau de complexité distinguent les agents des niveaux d’automatisation précédents. Cela les rend beaucoup plus proches d’un véritable travailleur humain, du moins pour la tâche spécifique pour laquelle ils sont entraînés.

Comment les agents IA autonomes se déploieront à l’échelle des industries

La vie moderne est remplie de tâches répétitives qui sont légèrement trop complexes pour de simples scripts d’automatisation mais fastidieuses pour les humains. Cela rend les agents IA particulièrement pertinents pour des flux de travail hautement répétitifs et basés sur le jugement — de guider un client à travers un algorithme de dépannage à conduire des camions sur l’autoroute.

Contrairement aux humains, ces agents IA peuvent travailler 24 h/24 et 7 j/7 et se mettre à l’échelle instantanément sans frais supplémentaires.

Il existe de nombreuses façons de classifier le niveau que nous avons atteint dans les capacités de l’IA. Globalement, les métriques tendent à comparer la capacité de l’IA à la population humaine générale. Les agents IA les plus récents atteignent les compétences de 50‑90 % de la population dans des tâches de domaine étroit spécifiques.

Ces agents IA de « Niveau 2‑3 » sont généralement considérés comme un point médian dans le progrès de l’IA, et juste le début pour l’AGI (Intelligence Artificielle Générale).

L’architecture émergente consiste à créer de nombreux agents IA spécialisés et à les laisser chacun gérer une tâche spécifique à un niveau comparable à celui d’un travailleur humain. Pour des flux de travail plus complexes, une série d’agents IA agira successivement, collaborant pour réaliser le travail plus vaste en le découpant en sous‑tâches plus petites.

Les agents personnalisés, développés en interne avec l’aide de plateformes IA, sont également susceptibles de devenir plus courants à mesure que les agents de codage réduisent la complexité du développement d’applications d’entreprise.

Améliorer l’efficacité de l’IA et des humains simultanément

Un autre avantage des agents IA par rapport à une IA plus générale est l’efficacité. Alors qu’ils excellent dans une tâche, ils ne sont pas alourdis par des capacités superflues.

Par exemple, un agent IA dédié pourrait être capable de conduire une voiture comme un humain tout en ne possédant aucune des autres capacités humaines de raisonnement. Il pourrait « comprendre » les routes, mais ne serait pas bon en conversation, ne saurait pas générer une image à partir d’une invite, ni gérer de grandes bases de données.

En conséquence, le modèle nécessite moins de mémoire et de puissance de calcul pour fonctionner. Cela réduit à son tour les exigences matérielles et l’énergie consommée pour accomplir sa tâche.

Quel degré d’autonomie ?

La plus grande autonomie des agents IA est leur principal atout, mais elle peut aussi constituer une barrière à l’adoption.

Même un agent IA très compétent et fiable pourrait ne pas être entièrement digne de confiance pour prendre des décisions ayant un impact important dans le monde réel. Il est une chose de configurer un chatbot amélioré pour le service client ; c’en est une autre de le laisser gérer la paie de milliers d’employés.

Il est probable que la croissance parallèle de la qualité des décisions IA et la familiarité croissante avec celles‑ci permettront aux autorités d’accorder plus de latitude à la prise de décision IA. Cela ouvre toutefois des questions juridiques et éthiques intéressantes concernant la responsabilité des actions de l’IA.

Un cadre juridique clair devra être déterminé. Par exemple, si une voiture autonome s’écrase, le fournisseur de l’agent IA est‑il responsable ? À mesure que l’autonomie augmente, les décisions impactent des personnes réelles et deviennent des questions de responsabilité coûteuses.

Cela couvre également le problème de l’abus, tel que le vol d’identité ou la fraude automatisée. Ce sont des questions législatives, mais le progrès technologique dépasse souvent la régulation.

L’avenir des agents IA

Les agents IA peuvent-ils devenir des généralistes étroits ?

Comme expliqué, les premiers agents IA sont étroits afin d’être efficaces et fiables. Cependant, les agents IA de niveau supérieur devront comprendre le contexte, mémoriser les décisions passées et assurer la continuité des tâches.

Dans un premier temps, cela pourrait se faire avec l’aide d’un humain, qui devient davantage un « conducteur » des IA agentiques plutôt que d’accomplir la tâche lui‑même. Bien sûr, éliminer le travail humain du processus est l’objectif ultime pour améliorer l’efficacité.

Par exemple, une IA effectuant un diagnostic dans un hôpital devra analyser des images médicales, comprendre le texte ou la voix décrivant les symptômes, intégrer les résultats d’examens médicaux et l’historique du patient, et rechercher la littérature scientifique pertinente — le tout simultanément. Elle doit ensuite combiner ces données de manière intelligente.

Applications financières

Certains secteurs restent sceptiques quant à la suppression des humains de la boucle décisionnelle, notamment la fabrication ou la santé où les erreurs peuvent être mortelles. Cependant, un secteur adopte les agents IA avec enthousiasme : la finance.

La plupart du monde financier utilise déjà des niveaux élevés d’automatisation, des systèmes de trading à la détection de fraude. Les fintechs sont encore plus ouvertes à l’IA agentique, car leur existence dépend de l’automatisation de l’efficacité financière. Une amélioration de l’efficacité dans une industrie manipulant des billions peut rapidement se traduire par une expansion de marge rentable.

Par exemple, un agent peut cibler la tâche chronophage de la réconciliation (correspondance des relevés bancaires, feuilles de calcul et registres). Les entreprises de taille moyenne peuvent passer plus de 300 heures par an uniquement à réconcilier les banques. Bien que les feuilles de calcul puissent automatiser certaines parties, elles sont fragiles. L’IA agentique offre une plus grande flexibilité et des capacités de raisonnement pour gérer les exceptions et les données non structurées.

Investir dans l’IA agentique

ServiceNow

ServiceNow est une plateforme de cloud computing fondée en 2003, dédiée à la création et à la gestion de flux de travail d’entreprise automatisés. À partir d’une base établie de clients en automatisation d’entreprise, la société est passée entièrement à l’IA agentique.

Elle permet aux entreprises d’utiliser ses agents IA, ainsi que de les personnaliser ou d’en créer de nouveaux à partir de zéro grâce au low‑code et au « vibe coding » (laisser une IA écrire le code suivant les invites d’un humain).

Le point de vente clé de ServiceNow est qu’il n’est pas « lié » à une technologie IA particulière et peut s’intégrer aux outils numériques et aux flux de travail existants des entreprises. Il fournit également une interface fiable pour centraliser la gestion d’un nombre croissant d’agents IA.

L gouvernance de l’IA est redéfinie, avec un hub central pour gérer, surveiller et optimiser les agents IA — qu’ils soient natifs ou tiers. Et contrairement aux écosystèmes fermés, ServiceNow est agnostique vis‑à‑vis des LLM et profondément intégré à NVIDIA, aux hyperscalers et à un écosystème IA florissant — offrant aux entreprises un contrôle total pour pérenniser leur stratégie IA.

L’objectif de ces agents est d’améliorer les marges des entreprises en les rendant plus efficaces — automatisation des tâches informatiques, simplification des RH, gestion des demandes clients récurrentes et accélération du développement d’applications.

L’entreprise, forte de plus de 20 ans, continue de croître rapidement, avec plus de 20 % de croissance du chiffre d’affaires d’une année sur l’autre à la fin de 2025. De façon remarquable, les cohortes de clients existantes augmentent constamment leur utilisation, ce qui conduit à une expansion de la valeur contractuelle annuelle (ACV). Les taux de renouvellement restent constamment entre 95 % et 97 %, rendant les revenus très prévisibles.

La société a réussi à créer de solides marges opérationnelles et des flux de trésorerie disponibles, reflétant sa base de coûts relativement basse comparée à ses revenus récurrents.

Dernières actualités et développements boursiers de ServiceNow (NOW)