Nous ne sommes pas prêts à prendre en charge les agents d'IA autonomes, suggère une enquête
La plupart des dirigeants et des professionnels déclarent qu'ils vont réviser leurs piles technologiques pour se préparer aux agents IA, mais les défis généralisés en matière d'intégration des données peuvent entraver les déploiements.
Les agents d’IA sont en hausse et l’argent leur parvient. Plus de la moitié des entreprises consacrent 500 000 $ou plus chaque année aux agents IA. Le problème est que la plupart des entreprises ne disposent pas de l’infrastructure technologique nécessaire pour déployer ces agents efficacement.
Telles sont les conclusions d’une nouvelle enquête menée par Tray.ai auprès de 1 045 responsables et professionnels de la technologie d’entreprise. L'enquête a révélé que 42 % des personnes interrogées s'attendent à construire ou à prototyper plus de 100 agents d'IA au cours de l'année à venir, et 36 % s'attendent à en voir plus de 100 mis en production. Un pourcentage similaire (41 %) s'attend à résoudre plus de 20 problèmes commerciaux distincts.
Les agents IA sont des assistants intelligents qui peuvent prendre des décisions et exécuter des actions de manière autonome. Ils sont destinés à servir de collègues numériques, d'assistants ou de représentants du service client, communiquant via le traitement du langage naturel.
Les projections pour les agents IA sont significatives. D’ici fin 2025, une personne sur quatre déclare que la plupart des processus métier de base de son entreprise fonctionneront avec des agents IA. 41 % estiment qu'entre 26 % et 50 % de leurs processus de base seront activés par des agents IA.
L'enquête a également révélé que plus de 86 % des professionnels déclarent avoir besoin de mettre à niveau leurs piles technologiques existantes pour se préparer aux agents IA. Des défis d'intégration généralisés peuvent entraver les déploiements d'agents d'IA, 42 % des personnes interrogées indiquant que leur entreprise a besoin d'accéder à huit sources de données ou plus pour déployer avec succès des agents d'IA.
Au moins 42 % des professionnels ont également déclaré qu'ils devaient procéder à des mises à niveau majeures de leur infrastructure, par exemple en ajoutant de nouveaux fournisseurs à leur pile technologique ou en organisant des refontes complètes. Quarante et un pour cent ont déclaré adopter une approche hybride du développement avec une combinaison de solutions de création ou d'achat, tandis que 24 % ont déclaré avoir l'intention de créer des solutions client avec du code.
"Même si les agents IA suscitent un énorme enthousiasme, de nombreuses entreprises manquent actuellement d'éléments essentiels pour les développer et les déployer de manière sûre et efficace", a déclaré Rich Waldron, PDG de Tray.ai, à ZDNET.
« Ils s'appuient sur de nombreuses applications SaaS disponibles dans le commerce, ce qui entraîne des problèmes de fragmentation et d'intégration, ce qui amène les DSI à consacrer plus de temps à gérer la complexité qu'à stimuler l'innovation. » Il a déclaré qu'une plus grande automatisation des processus et une plus grande attention au traitement des données non structurées sont nécessaires.
Dans l’ensemble du secteur, il existe un consensus sur la nécessité de se préparer davantage à l’IA agentique. Les agents d'IA autonomes nécessitent une infrastructure de base efficace et des pratiques de gestion des données, a déclaré Lan Guan, directeur de l'IA chez Accenture.
« Les organisations sont à différents stades de préparation. Une architecture de plateforme d'entreprise robuste peut garantir une accessibilité transparente aux modèles de base, y compris les considérations d'infrastructure technique telles que l'hébergement cloud par rapport à l'hébergement sur site, mais également les capacités réseau, les mesures de sécurité et la capacité de faire évoluer efficacement l'infrastructure. système à mesure que la demande de capacités pilotées par des agents d'IA augmente.
Taylor Bird, vice-président d'Excella, reconnaît que la plupart des entreprises ne sont pas suffisamment préparées à accueillir des agents d'IA véritablement autonomes : « Même si les entreprises ont fait des progrès dans la mise en œuvre de systèmes d'IA traditionnels, l'IA agentique représente un défi supplémentaire qui nécessite de nouvelles approches en matière d'infrastructure, de gouvernance et de développement des compétences. "
La préparation de l'infrastructure est indispensable, a déclaré Bird : « Les organisations ont besoin d'écosystèmes d'API robustes qui permettent aux agents d'IA d'interagir en toute sécurité avec leurs systèmes logiciels. Les entreprises qui ont des silos entre leurs systèmes auront des capacités limitées avec des agents autonomes.
La faiblesse des cadres de sécurité et de contrôle entravera également le développement et le déploiement d’agents d’IA. "Les agents apporteront davantage de chemins de branchement vers ce que les logiciels d'une entreprise peuvent accomplir", a déclaré Bird. "Les mécanismes traditionnels de surveillance et de sécurité ne couvrent probablement que des scénarios déterministes. Passer de l'état actuel à un système agent nécessite une courbe d'apprentissage."
Keith Pijanowski, expert en matière d'IA/ML pour MinIO, a déclaré que le succès des agents d'IA dépendra des modèles. "Si les entreprises veulent créer des agents efficaces, elles ont besoin de modèles efficaces", a-t-il déclaré. « Par conséquent, tout ce dont ils ont besoin pour former des modèles et les exécuter en production est nécessaire pour réussir avec les agents. Plus vos modèles sont performants, meilleurs sont vos agents.
En fin de compte, les agents d’IA seront la clé pour fournir l’IA à des tâches spécifiques et restreintes. "Les agents IA représentent une manière différente de mettre en œuvre la logique de contrôle", a déclaré Pijanowski. "Jusqu'à présent, la logique de contrôle était codée par les développeurs et ne changeait pas au moment de l'exécution. À l'aide d'agents, un LLM devait d'abord élaborer un plan, puis agir sur chaque étape du plan."
À mesure que les agents d’IA se généralisent, « les modèles deviendront plus spécialisés, ce qui favorisera également leur adoption », prédit Pijanowski. "Il y aura moins de modèles polyvalents et davantage de modèles plus petits formés pour très bien faire une chose."
Les agents IA « représentent une nouvelle façon de mettre en œuvre une logique de contrôle », a-t-il poursuivi. "Au lieu d'être codé en dur par un ingénieur au moment de la conception, un agent détermine la marche à suivre lorsque le problème lui est présenté. C'est à la fois effrayant et excitant. Effrayant car sans vérification interne ni garde-fous, un agent pourrait créer beaucoup de problèmes. Cependant, il s'agit d'une nouvelle façon d'automatiser les processus existants qui pourraient être améliorés et des problèmes qui étaient trop complexes dans le passé peuvent désormais être résolus.
La meilleure façon de relever les défis des agents d’IA est la sensibilisation et la formation à mesure que les agents d’IA prolifèrent. « En ce qui concerne la manière dont les entreprises peuvent se préparer, nous avons réussi à mettre en œuvre des cas d'utilisation avec des agents lors d'événements d'apprentissage internes tels que des hackathons, et nous avons tiré parti de nos leçons apprises pour créer d'autres solutions d'IA/ML », a déclaré Bird.
Les données sont le carburant qui alimentera les agents d’IA, et il reste encore beaucoup à faire dans ce domaine. Les systèmes d'IA agentique doivent être prêts à « exploiter des modèles multimodaux capables de traiter divers types de données, y compris des données non structurées telles que des images, du texte et des vidéos », a déclaré Guan. "Une intégration efficace des données est essentielle pour garantir que les données provenant de systèmes disparates soient facilement accessibles aux agents en temps réel pour une prise de décision et des actions éclairées."
Guan a également déclaré que les connaissances d'entreprise organisées sont un autre élément clé des agents d'IA. Elle a exhorté les organisations à rechercher un magasin d'entreprise centralisé qui « devrait intégrer des mécanismes de conservation des connaissances, une couche sémantique pour définir les relations entre les éléments de données et des définitions standardisées pour garantir la cohérence ».
En capturant et en organisant les connaissances spécifiques à l'entreprise, « les agents peuvent continuellement apprendre et améliorer leurs performances au fil du temps », a déclaré Guan. Les principales conditions préalables incluent « les contrôles de l'API des agents, l'observabilité et le suivi des performances, les commentaires et l'apprentissage continu, ainsi que le réglage précis et la formation du modèle ».
Cependant, l'adoption croissante d'agents d'IA - avec davantage de modèles formés sur des ensembles de données spécialisés - exercera une pression sur le stockage des données, a déclaré Pijanowski.
"Non seulement les modèles eux-mêmes doivent être versionnés et enregistrés quelque part, mais les résultats des expériences utilisées pour les créer le sont également - un processus connu sous le nom d'opérations d'apprentissage automatique (MLOps). Les modèles utilisés au sein des agents doivent être instrumentés et la télémétrie enregistrée. . Tout cela représente beaucoup plus de données qu’une application traditionnelle utilisant une simple prise de décision booléenne. »
Ce qui est clair, conclut Pijanowski, c'est que l'augmentation constante des informations stockées nécessite des stratégies de stockage de données plus étendues.