Au-delà des robots, les agents IA propulseront la prochaine vague d'automatisation en entreprise
TechFlow SélectionTechFlow Sélection
Au-delà des robots, les agents IA propulseront la prochaine vague d'automatisation en entreprise
Explorer comment les agents d'intelligence artificielle peuvent être appliqués dans les entreprises pour impulser une nouvelle ère de l'automatisation.
Dédié à des analyses Web3 approfondiesAuteur : JP Sanday, Steve Sloane, Naomi Pilosof Ionita, Derek Xiao
Traduction : TechFlow
Chaque poste dans l'économie peut être vu comme un ensemble de tâches accomplies conjointement par des humains et des machines. Au fil des années, les logiciels ont progressivement pris en charge de plus en plus de tâches, mais même aujourd'hui, ce sont encore les humains qui gèrent la majorité des processus métier. Dans chaque domaine fonctionnel, les coûts liés au personnel dépassent largement les dépenses logicielles.
Les agents d'intelligence artificielle (IA) devraient modifier de façon décisive cet équilibre du travail. Contrairement aux logiciels traditionnels, qui traitaient principalement des tâches basiques, séquentielles et mécaniques, les nouvelles architectures cognitives permettent désormais aux agents d'automatiser dynamiquement des processus bout-en-bout. Il ne s'agit plus simplement d'une IA capable de lire et d'écrire, mais d'une IA capable de déterminer le flux logique des applications et d'agir à votre place.
Ils représentent actuellement la plus grande opportunité offerte par les grands modèles linguistiques (LLM) dans les entreprises. Dans un autre article, nous avons abordé la définition de ces nouveaux « agents » ainsi que les schémas de conception qui les rendent possibles. Ici, nous allons explorer leur application dans les entreprises et comment ils ouvrent une nouvelle ère de l'automatisation.
Un retour de la RPA (automatisation robotisée des processus) ?
Si cela vous semble familier, c’est parce que, durant la dernière décennie, des sociétés telles qu’UiPath et Zapier ont vendu une vision similaire sous le nom d’« automatisation robotisée ».
UiPath a été le premier arrivé sur le marché. Cette entreprise phare de la RPA se concentre sur l’automatisation des interfaces graphiques (GUI) et le scraping d’écran afin de permettre à des « robots » d’enregistrer les actions d’un utilisateur puis de reproduire ces étapes séquentielles pour automatiser des processus comme l’extraction d’informations depuis des documents, le déplacement de dossiers, le remplissage de formulaires ou la mise à jour de bases de données.
Plus tard, des fournisseurs iPaaS tels que Zapier ont adopté une approche plus légère dite d’« automatisation par API », visant à améliorer la productivité. Cette plateforme propose des automatisations plus stables grâce à des intégrations API prédéfinies et des webhooks, bien que cette méthode limite son champ d'action aux applications web, tandis qu’UiPath peut automatiser des processus à travers différents logiciels, y compris ceux ne disposant pas d’API.
UiPath et Zapier ont démontré l’existence d’un marché pour des plateformes transversales d’automatisation composable et basée sur des règles, capables de résoudre les longs processus spécifiques aux départements ou secteurs d’activité. Toutefois, à mesure que les entreprises étendent leurs automatisations fondées sur des robots, l’écart entre les capacités de ces architectures traditionnelles et l’autonomie promise commence à apparaître, notamment sur les points suivants :
-
(Toujours) besoin important de main-d’œuvre et d’intervention manuelle. Malgré toutes les discussions autour des robots et de l’automatisation, la création et la maintenance des automatisations restent très fastidieuses. En réalité, pour chaque dollar généré par UiPath, sept dollars sont versés à des partenaires d’implémentation et de conseil comme EY, rendant les cycles de déploiement et de maintenance longs et coûteux.
-
L’automatisation par interface utilisateur (UI) est fragile ou les intégrations API sont limitées. L’automatisation par UI est souvent interrompue lorsque l’interface d’un logiciel change, tandis que les API, bien que plus stables, sont disponibles en nombre réduit, particulièrement pour les logiciels anciens ou locaux.
-
Difficulté à traiter les données non structurées. Les données non structurées et semi-structurées représentent 80 % des données d’entreprise, mais les automatisations basées sur des séquences peinent à les traiter intelligemment. Des solutions de traitement intelligent de documents (IDP) comme Hyperscience et Ocrolus ont tenté de progresser ici, mais rencontrent encore des difficultés face aux cas limites et aux exceptions, même pour des cas simples d’extraction et de transformation de documents.
En outre, même lorsqu’ils intègrent des grands modèles linguistiques (LLM), les solutions traditionnelles de RPA et iPaaS restent limitées par leur architecture déterministe. Actuellement, la solution AI d’UiPath appelée Autopilot et les AI Actions de Zapier utilisent les LLM uniquement selon un modèle dit « sous-agent », par exemple (1) texte vers action, ou (2) nœud utilisé pour recherche sémantique, synthèse ou génération ponctuelle.
Ces fonctions IA sont certes puissantes : elles permettent aux départements métiers, plutôt qu’au service informatique, de définir les règles d’automatisation, offrent une détection et reconnaissance d’objets plus robuste via des Transformers visuels au lieu de l’OCR, et assurent une extraction et transformation efficace des données grâce à la RAG. Cependant, elles ne parviennent toujours pas à exploiter les cas d’usage les plus transformateurs des LLM dans l’automatisation des processus, que nous allons maintenant examiner.
Le rôle de l’agent d’IA comme moteur de décision
Les agents diffèrent fondamentalement. Ils agissent comme moteurs de décision placés au cœur du flux de contrôle des applications, contrairement à la logique codée en dur des robots RPA actuels, voire même aux applications RAG qui ont défini la première vague de la révolution de l’IA générative. Pour la première fois, ils permettent une adaptation, des opérations multi-étapes, un raisonnement complexe et une gestion solide des exceptions.
Illustrons leur impact par un exemple de rapprochement de factures. Voici un diagramme simplifié montrant comment associer un nouveau PDF de facture au grand livre comptable de l’entreprise (semblable à la modélisation visuelle réalisée par un ingénieur d’implémentation pour la RPA) :
Il est clair que la complexité du workflow augmente rapidement, rendant presque impossible la couverture exhaustive de tous les cas limites et exceptions dans les trois premiers ensembles de décisions. Généralement, le robot RPA chargé d’exécuter mécaniquement ce workflow commet des erreurs et remonte aux humains les entrées partiellement appariées ou manquantes — ce qui explique sans doute pourquoi la plupart des entreprises emploient encore aujourd’hui des centaines de personnes chaque mois pour accomplir cette tâche hautement manuelle, au lieu de l’automatiser complètement.
Pourtant, appliqués au même workflow, les agents obtiennent de bien meilleurs résultats, en offrant notamment :
-
Adaptabilité à de nouveaux environnements. Les agents peuvent identifier intelligemment et s’adapter à de nouvelles sources de données, formats de factures, règles de nommage, numéros de compte, voire à des changements de politique basés sur un raisonnement élémentaire et un contexte métier, le tout sans reprogrammation ni dépendance à des procédures opérationnelles standard explicites (SOP).
-
Support des opérations multi-étapes. En cas de désaccord sur le montant de la facture, l’agent peut mener une enquête en plusieurs étapes, par exemple en analysant les derniers e-mails du fournisseur à la recherche d’une notification de modification de prix.
-
Capacité de raisonnement complexe. Par exemple, une entreprise doit rapprocher la facture d’un fournisseur international avec son grand livre. Ce processus implique de multiples facteurs : devise de la facture, devise du grand livre, date de transaction, fluctuations des taux de change, frais transfrontaliers et bancaires. Tous ces éléments doivent être récupérés et calculés ensemble pour finaliser le rapprochement. Un agent est capable de gérer cette opération intelligente, alors qu’un robot RPA se contenterait probablement de transférer le problème à un humain.
-
Gestion de l’incertitude. Les agents savent gérer l’incertitude, par exemple en utilisant des indices contextuels (comme la correspondance de la valeur totale de commande ou la chronologie et fréquence historique des factures) pour compenser les erreurs d’arrondi ou les chiffres illisibles.
État actuel du marché des agents d’IA
Les agents d’IA ne sont plus de la science-fiction. Bien que le domaine soit encore en développement, des startups comme des entreprises du Fortune 500 achètent déjà massivement et utilisent ces systèmes.
Le paysage actuel du marché des agents peut être décrit selon deux dimensions clés :
-
Spécificité sectorielle : inclut des agents hautement spécialisés conçus pour des industries verticales comme la santé ou des départements comme le support client, ainsi que des plateformes horizontales dotées de capacités larges et générales.
-
Autonomie du grand modèle linguistique (LLM) : indique la capacité du modèle linguistique à planifier et diriger de manière autonome la logique applicative.
Ces deux facteurs forment les deux axes de la cartographie du marché des agents d’IA que nous analysons ci-dessous.
Dans le coin supérieur droit de cette carte, on trouve les agents les plus généralistes et évolutifs :
-
Agents d’entreprise. Ces plateformes évolutives permettent aux entreprises de construire et gérer des agents à travers plusieurs fonctions et workflows, à partir de SOP exprimées en langage naturel ou de règles similaires à un manuel pour nouveaux employés. Ces plateformes attirent particulièrement les acheteurs IT centralisés souhaitant disposer d’une capacité d’agent largement applicable, plutôt que de solutions distinctes pour chaque unité métier. Par exemple, la capacité centrale de l’agent de rapprochement de factures de Sema4 peut être utilisée pour diverses tâches de vérification de données dans les domaines financier, achat et opérations.
Cependant, la plupart des agents d’entreprise adoptent une architecture dite « agent sur rails », exigeant que chaque nouvel agent soit configuré selon un ensemble d’actions prédéfinies, un contexte métier spécifique et des mesures de protection adaptées à chaque nouveau processus. Bien que certaines infrastructures de données puissent être partagées entre différents workflows, la portée large de ces plateformes provient davantage de l’accumulation de cas d’usage que d’une véritable généralité humaine. Ainsi, certains acteurs de ce secteur commencent à se concentrer sur des domaines spécifiques afin d’obtenir un avantage concurrentiel plus marqué en matière de produit et de go-to-market (par exemple, Brevian se concentre sur le support client et la sécurité, Ema sur les ventes et le support).
-
Agents navigateur. Des agents web comme MultiOn, Induced et Twin représentent un autre type d’agents larges et généralisables. La plupart adoptent une conception d’« agent IA généraliste », utilisant des modèles Transformer visuels entraînés sur diverses interfaces logicielles et leurs codes sources sous-jacents. Cela permet à l’agent de « comprendre » les composants web, leurs fonctions et interactions, et d’automatiser la navigation web, les opérations visuelles d’interface utilisateur et la saisie de texte.
Toutefois, malgré une meilleure généralité, ces agents sacrifient souvent la cohérence. À l’heure actuelle, la plupart ciblent principalement des applications simples de productivité ou de commerce électronique, et peinent à atteindre des performances de niveau entreprise. Faute d’un espace-problème suffisamment contraint, de données adéquates et de protections appropriées, les agents navigateur fiables doivent encore surmonter des défis clés : gérer des espaces d’action et d’observation complexes, maintenir le contexte entre plusieurs pages, et interpréter des interfaces web variées.
-
Services assistés par IA. La demande des entreprises en capacités d’agent dépasse actuellement leur capacité à produire eux-mêmes des agents, notamment parce que l’architecture « agent sur rails » nécessite une infrastructure de données étendue et des mesures de protection pour être efficace en pratique. C’est là qu’interviennent des entreprises comme Distyl et Agnetic, qui combleront ce vide en proposant des services d’ingénierie préalable, semblables à une version « IA de Palantir ». Comme Palantir avec sa plateforme Foundry, ces sociétés peuvent réutiliser une infrastructure modulaire entre différents clients, rééquilibrant progressivement le ratio plateforme/service.
Mais tous les agents ne cherchent pas à être horizontaux et généralisables. Nous voyons de plus en plus émerger des agents spécialisés par domaine ou workflow, qui améliorent leur fiabilité en limitant le type de problèmes qu’ils doivent résoudre :
-
Agents verticaux. Les opportunités les plus prometteuses pour les agents verticaux concernent les processus manuels, pilotés par des procédures, actuellement effectués par des humains selon des SOP ou des manuels de règles. De nombreuses entreprises externalisent déjà ces fonctions auprès de sociétés de BPO (Business Process Outsourcing) ou de prestataires. Ces tâches sont souvent trop complexes pour une automatisation basée sur des règles simples, mais pas assez difficiles ou différenciantes pour justifier l’emploi de travailleurs qualifiés internes. Les catégories principales incluent le support client, le recrutement, certaines tâches de développement logiciel comme la relecture de code, les tests et la maintenance, les prospections téléphoniques en vente froide, ainsi que les opérations de sécurité.
-
Assistants IA. Une autre façon de réduire le périmètre des agents consiste à se focaliser sur la spécificité de la tâche plutôt que sur celle du domaine. Les assistants IA accomplissent des tâches plus simples et centrées sur la productivité, sans prendre en charge des processus complexes bout-en-bout comme les agents d’entreprise ou verticaux. Les tâches courantes incluent la recherche web simple, l’extraction de connaissances, la synthèse, et la transformation de données non structurées pour des tâches ponctuelles, comme discuter avec un PDF ou extraire des demandes de fonctionnalités à partir de transcriptions Gong.
Enfin, il convient de noter qu’il existe des solutions générales d’IA générative qui, bien qu’elles ne soient pas des agents à proprement parler, concurrencent les solutions agents sur le plan budgétaire, et participent parfois aux mêmes workflows. Ces solutions reposent principalement sur l’architecture RAG, n’interviennent pas dans le flux de contrôle applicatif, et ne peuvent donc pas pleinement imiter le raisonnement humain des agents. Néanmoins, leurs capacités permettent tout de même une automatisation significative des services, tout en offrant aux entreprises un meilleur contrôle.
-
IA verticale. La recherche sémantique et la transformation de données non structurées sont des fonctions fondamentales puissantes dans les workflows verticaux. Par exemple, la plateforme d’automatisation IA dans la santé Tennr extrait des données non structurées provenant de fax, PDF, appels téléphoniques et autres sources désordonnées, puis les injecte dans le système d’information clinique (EHR) pour fluidifier le traitement des références et réduire la saisie manuelle par le personnel. L’IA industrielle constitue un autre exemple, utilisant une approche similaire pour automatiser le processus de devis chez les fabricants.
-
RAG en tant que service. Des entreprises comme Danswer et Gradient, proposant du RAG en tant que service, constituent la contrepartie horizontale des entreprises spécialisées dans la recherche sémantique verticale et la transformation de données non structurées. Elles permettent aux clients d’interroger des sources de données non structurées (comme des PDF), d’en extraire des informations, et d’enregistrer les résultats dans des bases de données ou systèmes d’enregistrement plus structurés.
-
Recherche d’entreprise. Glean, Perplexity et Sana offrent des requêtes sémantiques destinées à indexer et retrouver des documents pertinents, afin d’améliorer la gestion des connaissances au sein des organisations et de briser les silos de données d’entreprise.
L’avenir de l’automatisation en entreprise
La deuxième vague de l’IA générative sera définie par des agents capables de remplacer la pensée et l’action humaines, et non pas seulement la lecture et l’écriture. À mesure que ces architectures mûrissent, elles deviendront un puissant catalyseur de prise en charge par l’IA des services. Chez Menlo, nous sommes impatients de rencontrer les équipes qui construisent cet avenir. Si vous développez dans le domaine des agents, nous serions ravis d’échanger avec vous.
JP Sanday ([email protected])
Steve Sloane ([email protected])
Naomi Ionita ([email protected])
Derek Xiao ([email protected])
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@MenloVentures
