Partager via

Adoption de l’agent IA

Ces conseils fournissent un cadre structuré pour aider les organisations à adopter correctement des agents IA dans le cadre de leur stratégie d’adoption de l’IA plus large. Il aborde les considérations uniques que les agents IA introduisent. La série met en évidence les agents Microsoft 365 et les conseils pour la création d’agents personnalisés à l’aide de Microsoft Foundry et de Microsoft Copilot Studio. Il inclut également des stratégies de conception d’une architecture de données à l’échelle de l’organisation pour prendre en charge les agents IA à grande échelle.

Grâce à ces conseils, les responsables obtiendront des insights exploitables sur quatre domaines clés : (1) planifier les agents, (2) régir et sécuriser les agents, (3) générer des agents et (4) exploiter des agents (voir la figure 1.).

Diagramme montrant un flux de travail horizontal avec quatre phases connectées : planification pour les agents (les sous-étapes sont le plan d’entreprise, le plan technologique, la préparation organisationnelle et l’architecture des données). Gouvernance et sécurité des agents (les sous-étapes sont l’IA responsable, la gouvernance et la sécurité et la préparation de l’environnement). Construire des agents (les sous-étapes sont construire des systèmes d'agents simples et multi-agents, et processus pour construire des agents). Gérer l’intégration des agents (sous-processus Intégrer des agents et exploiter des agents). Figure 1. Processus d’adoption de l’agent IA de Microsoft.

Qu’est-ce qu’un agent IA ?

Un agent IA est un programme logiciel flexible qui utilise des modèles IA génératifs pour interpréter les entrées, telles que les événements système, les messages utilisateur ou d’autres messages de l’agent, raison par problèmes et décider des actions les plus appropriées. Contrairement aux applications traditionnelles qui s’appuient sur des règles fixes, les agents orchestrent dynamiquement les flux de travail en fonction du contexte en temps réel. Cette adaptabilité leur permet de gérer l’ambiguïté et la complexité que les logiciels déterministes ne peuvent pas. Les agents reposent sur cinq composants principaux :

Diagramme montrant l’architecture de l’agent avec quatre composants qui alimentent un modèle de langage : instructions (définition de l’étendue et des actions de l’agent), connaissance (mise à l’aide des données et du contexte), outils (fonctions et API que l’agent peut appeler) et mémoire (historique des conversations et état). Le modèle produit des réponses de sortie.

  • Le modèle IA générative sert de moteur de raisonnement de l’agent. Il traite les instructions, intègre les appels d’outils et génère des sorties, soit en tant que messages à d’autres agents, soit en tant que résultats actionnables.

  • Les instructions définissent l’étendue, les limites et les instructions comportementales pour l’agent. Les instructions claires empêchent le glissement de l’étendue et garantissent que l’agent respecte les règles d’entreprise.

  • La récupération fournit les données de base et le contexte requis pour des réponses précises. L’accès aux données pertinentes et de haute qualité est essentiel pour réduire les hallucinations et garantir la pertinence.

  • Les actions sont les fonctions, LES API ou les systèmes utilisés par l’agent pour effectuer des tâches. Les outils transforment l’agent d’un récupérateur d’informations passifs en participant actif aux processus métier.

  • La mémoire stocke l’historique des conversations et l’état. La mémoire garantit la continuité entre les interactions, ce qui permet à l’agent de gérer efficacement les conversations multitours et les tâches de longue durée.

Différence par rapport à la génération augmentée par récupération (RAG)

Les applications RAG standard suivent un processus de récupération déterministe pour répondre aux requêtes. Les agents IA utilisent un modèle génératif pour déterminer les connaissances et les outils à utiliser à chaque étape. Cette approche adaptative permet un raisonnement en plusieurs étapes et une résolution de problèmes complexes, mais elle introduit également un comportement non déterministe qui nécessite des tests et une gouvernance robustes.

Pour obtenir des définitions techniques, consultez Qu’est-ce qu’un agent ? et qu’est-ce qu’un workflow ?.

Pourquoi les agents IA ?

L’adoption d’agents IA génère des résultats organisationnels spécifiques. La compréhension de ces avantages permet de justifier l’investissement et de hiérarchiser les cas d’usage.

  • Efficacité : les agents automatisent les tâches répétitives et à faible valeur. Il réduit les efforts manuels et les coûts opérationnels, ce qui permet aux ressources de se concentrer sur les initiatives stratégiques.

  • Vitesse : les agents peuvent traiter des informations et exécuter rapidement des décisions, ce qui peut améliorer les temps de livraison des services et la réactivité aux changements du marché.

  • Scalabilité : les agents gèrent les charges de travail fluctuantes, et cette élasticité prend en charge les pics de croissance et de demande saisonnière.

Ces avantages entraînent des résultats mesurables tels que des coûts d’exploitation inférieurs, une meilleure satisfaction des clients et une innovation plus rapide. Pour les leaders, cela signifie que les agents d’IA ne sont pas seulement un investissement technologique. Ils sont un levier stratégique pour la croissance et la compétitivité. Pour plus d’informations sur les cas d’usage et de justification métier, consultez plan d’entreprise pour les agents IA .

Types d’agents

Les organisations déploient généralement trois catégories d’agents. Chaque catégorie offre un niveau différent d’autonomie et d’impact sur l’entreprise.

Diagramme montrant un spectre de trois types d’agents de gauche à droite : agents de récupération (complexité la plus faible, accès et synthèse des informations), agents de tâche (complexité modérée, prendre des actions spécifiques) et agents autonomes (complexité la plus élevée, planification multi-étapes et prise de décision). Une flèche indique une complexité et une capacité croissantes de gauche à droite.

  1. Agents de productivité. Ces agents se concentrent sur la récupération et la synthèse des informations pour accélérer la prise de décision. Ils utilisent des outils de connaissances pour tirer des données de différentes sources et les récupérer pour l’utilisateur. Cette fonctionnalité augmente la précision des employés et réduit le temps passé à rechercher des informations dans des scénarios tels que le support technique et la gestion des connaissances internes.

  2. Agents d’action. Ces agents effectuent des tâches spécifiques dans des flux de travail définis, telles que la mise à jour des enregistrements ou le déclenchement de processus. Ils utilisent des outils de connaissances combinés à des outils d’action pour accomplir des tâches. Cette approche simplifie les opérations et réduit les erreurs d’entrée de données manuelles dans les cas d’usage tels que la création de ticket de service et la surveillance du système.

  3. Agents d'automatisation. Ces agents gèrent des processus complexes et multi-étapes avec une supervision minimale. Ils utilisent des outils de connaissances et des outils d’action, ainsi que des déclencheurs qui déterminent quand exécuter, arrêter ou faire remonter un problème. Cette autonomie permet une automatisation évolutive pour les scénarios tels que l’optimisation de la chaîne logistique, bien qu’elle nécessite une gouvernance rigoureuse pour gérer la complexité accrue.

Étapes suivantes

Pour réaliser le potentiel des agents d’IA, alignez la stratégie d’adoption avec des résultats métier spécifiques. Les sections suivantes expliquent comment créer un impact interne et côté client et guider les équipes afin d’utiliser efficacement les agents.

Plan d’entreprise

  • Last updated on