Comment les entreprises se préparent à l'IA agentique

À mesure que les entreprises passent des premières expérimentations avec l'IA générative à la création de systèmes agentiques axés sur des objectifs, les questions que se posent les dirigeants ont évolué. La conversation porte moins sur ce que l'IA peut faire et beaucoup plus sur la manière dont on peut lui faire confiance, la gouverner et l'intégrer au fonctionnement réel de l'entreprise.

Pour explorer la manière dont les organisations de premier plan se préparent à cette nouvelle étape, je me suis entretenu avec Craig Wiley, directeur principal des produits chez Databricks, dans le cadre de notre série Objectif Dirigeant. Cette série est conçue pour mettre en lumière les changements stratégiques qui façonnent les données d'entreprise et l'IA, au travers de conversations directes avec des dirigeants qui font face à ces changements en temps réel.

Craig et moi avons parlé franchement de ce à quoi ressemble réellement un état de préparation, de la manière dont l'architecture et la gouvernance doivent évoluer, et des jalons que les équipes de direction et les conseils d'administration devraient prévoir alors qu'ils commencent à monter en charge des systèmes agentiques.

Craig Wiley est directeur produit senior pour l'intelligence artificielle chez Databricks. Auparavant, il a été le directeur général fondateur d'AWS SageMaker et l'un des responsables des produits d'IA chez Google Cloud. Il apporte une grande expérience dans la création de plateformes d'IA et de machine learning évolutives qui aident les entreprises à rassembler les données et les systèmes intelligents de manière pratique et durable.

Des expérimentations GenAI aux systèmes auxquels les dirigeants peuvent faire confiance

Catherine : Vous avez discuté avec de nombreux CIO, CDO et CTO ces derniers temps. Quels changements observez-vous alors que les entreprises passent de l'expérimentation de la GenAI à des systèmes plus agentifs et orientés objectifs ?

Craig : Au début, je pense que beaucoup de gens ne savaient tout simplement pas comment tirer parti de GenAI de manière utile. Nous entendons encore parler d'un pourcentage énorme de cas d'utilisation qui sont très déterministes. Les gens disent : « Je veux construire un système qui fait ceci », que ce soit pour la chaîne d'approvisionnement, la gestion du service client ou autre chose.

Le problème était qu'avec la GenAI naissante, il était très difficile de créer ou de déployer quoi que ce soit de déterministe. Avec les agents, nous pouvons désormais utiliser la GenAI pour créer des systèmes quasi déterministes, et nous pouvons également être beaucoup plus intelligents en matière de précision.

Si l'on réfléchit à ce qu'il faut pour qu'un CXO accepte de déployer une solution agentique, tout se résume au contrôle et à la précision. Puis-je la contrôler et est-ce que ça fonctionne vraiment ? Cette transition vers les agents a permis d'atteindre des niveaux de précision que nous ne pouvions tout simplement pas atteindre lorsque tout était basé sur le modèle invite-réponse.

La réponse la moins excitante reste la bonne

Catherine : Qu'est-ce qui vous indique qu'une organisation est réellement prête pour l'IA agentique ?

Craig : La réponse ennuyeuse est la bonne : vos données sont-elles en ordre ?

L'IA agentique peut susciter beaucoup d'enthousiasme, mais pour les entreprises, tout se résume au contexte. Et quand nous parlons de contexte, nous entendons les données et les informations. Pouvez-vous fournir les bonnes informations à l'agent au bon moment de son raisonnement ?

Nous voyons cela tout le temps. Des modèles plus petits, moins chers et moins sophistiqués peuvent être tout aussi performants que les plus avancés s'ils obtiennent le bon contexte au bon moment. Il n'y a pas de raccourci pour cela. Vous avez besoin d'un data lake bien organisé avec des métadonnées solides. Si vous n'avez pas cela, c'est très similaire au machine learning classique. Vous dites : « Construisons ce modèle », et deux mois et demi sont consacrés à la mise en ordre des données, et les deux dernières semaines à la construction réelle du système. Sans le travail sur les données, il n'y a pas de succès.

Deux voies à suivre lorsque vos données ne sont pas prêtes

Catherine : De nombreuses organisations ne sont pas aussi matures qu'elles le souhaiteraient en ce qui concerne leurs données. Si un dirigeant regarde son environnement et pense : « C'est un vrai désordre, par où commencer ? » Qu'est-ce qui fonctionne, d'après ce que vous avez vu ?

Craig : Il y a vraiment deux voies.

L'une est ascendante. Vous regardez toutes vos données et vous vous dites : « Comment puis-je bien les organiser ? » La bonne nouvelle, c'est que les outils se sont considérablement améliorés. Il est plus facile de déplacer des données hors des systèmes existants, et la GenAI peut même aider à écrire une partie du code pour le faire.

L'autre voie est axée sur les cas d'utilisation. Si un PDG ou un DSI dit : « Nous avons une grande ambition agentique et nous voulons faire X », et que les données sont en désordre, vous pouvez start par vous demander : de quelles données ai-je réellement besoin pour ce cas d'utilisation ? Ensuite, vous allez trouver ces éléments, les moderniser et les mettre au service de cet objectif.

Aucune des deux approches n'est universellement meilleure. L'approche ascendante vous offre plus de flexibilité par la suite. L'approche axée sur le cas d'utilisation peut être plus rapide lorsque le problème est existentiel. La seule véritable erreur est de ne pas accorder aux données le temps et l'attention dont elles ont besoin.

Pourquoi les premières réussites vont au-delà du chat

Catherine : Sur quoi les premiers utilisateurs se concentrent-ils en ce moment ? Quels types de cas d'utilisation gagnent en popularité selon vous ?

Craig : Il y a un an, de nombreux premiers utilisateurs se tournaient vers le marketing et d'autres cas d'utilisation où la nature générative des modèles ne représentait pas un risque. Désormais, grâce à des éléments comme l'appel d'outils et une meilleure précision, les clients peuvent viser beaucoup plus haut. Les gens sont encore très centrés sur le chat. « Je veux que mes employés puissent parler à quelque chose. » « Je veux que les clients puissent parler à quelque chose. »

Mais le véritable enthousiasme que je constate concerne l'automatisation et l'optimisation des flux de travail. J'ai récemment parlé à une grande banque qui essaie d'agentifier l'ensemble de son processus d'octroi de prêts. Auparavant, il fallait des heures à des humains pour examiner les documents. Maintenant, ils espèrent le faire fonctionner de manière entièrement agentique, avec une supervision humaine stricte. C'est un résultat bien plus convaincant qu'un simple chatbot supplémentaire.

La gouvernance se complique lorsque les agents deviennent des utilisateurs

Catherine : Comment les dirigeants repensent-ils l'architecture et la gouvernance à mesure que les systèmes deviennent plus autonomes ?

Craig : Pendant des décennies, nous nous sommes concentrés sur la gestion des données structurées en veillant à ce que les bonnes personnes y aient accès et pas les mauvaises. Désormais, nous devons également y penser pour les données non structurées, et nous devons considérer les agents comme de nouvelles entités. Comment puis-je m'assurer que ces agents ont accès aux bonnes données au bon moment ?

Il faut aussi penser à l'utilisateur à l'autre bout de l'agent. Un exemple classique est la création d'un chatbot au-dessus de Jira. Souvent, Jira ou d'autres systèmes similaires peuvent contenir des informations confidentielles. Si ce n'est pas régi, n'importe qui pourrait faire remonter ces informations. Il ne s'agit donc pas seulement de ce à quoi l'agent peut accéder. Il s'agit également de ce que l'agent peut renvoyer en fonction de la personne qui pose la question. Les briques de base existent, mais la gouvernance doit être traitée comme un problème de premier ordre, et non comme une réflexion après coup.

Une façon simple d'aborder l'identité, l'accès et les agents

Catherine : Cela ressemble beaucoup à la gestion des identités et des accès. Comment les dirigeants devraient-ils y penser lorsqu'ils se préparent ?

Craig : Fondamentalement, il s'agit de la gestion des identités et des accès, mais avec une nouvelle catégorie d'identité : les agents.

Si vous n'avez pas de politiques d'identité et d'accès solides, le monde est sur le point de devenir beaucoup plus difficile. Si c'est le cas, cela s'intègre plus naturellement.

Voici une façon simple de voir les choses :

• Qui est-ce ? Des systèmes d'identité solides qui fonctionnent pour les acteurs humains et non humains.
• Qu' est-ce qu'ils sont autorisés à faire ? Gouvernance des APIs et des données.
• Comment s'y prennent-ils ? Documentation et métadonnées. Que contient cette table ? Que fait cette API ?

Si les systèmes d'identité et la documentation sont de qualité, il devient beaucoup plus facile d'y affecter un agent et d'avancer rapidement.

Les 12 à 24 prochains mois : se muscler avant de courir après le ROI

Catherine : Au cours des une à deux prochaines années, que devraient prévoir les équipes de direction à mesure que les systèmes agentifs monteront en charge ?

Craig : Beaucoup d'entreprises sont bloquées sur la question de développer en interne ou d'acheter. Si j'étais PDG, je voudrais que ce soit clair. Mon point de vue est que vous devriez être en mesure de développer en interne. Je ne peux pas m'imaginer diriger une grande entreprise et externaliser tout mon développement d'outil.

Si vous avez des développeurs, vous devriez prévoir de développer cette compétence. À court terme, le retour sur investissement m'importe beaucoup moins que de savoir si mes équipes peuvent concevoir et déployer ces systèmes. La pratique passe avant la compétition. Recrutez les bons talents au cours des six premiers mois. Dans un délai de six à douze mois, construisez des choses dont vous serez fiers. Ensuite, commencez à générer de réels résultats commerciaux.

Il y a un temps pour acheter. Si la fonctionnalité n'est pas essentielle à votre différenciation, alors envisagez de l'acheter. Mais si vous développez déjà des solutions pour différencier votre entreprise, vos équipes devraient développer des agents pour faire de même.

L'idée fausse qui paralyse les progrès

Catherine : Quelle est la plus grande idée fausse que vous observez lorsque les entreprises essaient l'IA agentique pour la première fois ?

Craig : L'abandon après un échec.

Ils créent quelque chose, la solution se trompe une fois, et ils disent : « Vous voyez ? Je vous avais dit que ce serait incorrect. J'abandonne. » Ce n'est pas comme ça que la croissance fonctionne. Si la réponse était incorrecte, demandez pourquoi. Corrigez la cause profonde et allez de l'avant.

La GenAI semblait facile au début, alors les gens s'attendent à ce que ce soit toujours le cas. Mais concevoir d'excellents systèmes d'IA est difficile. Vous allez connaître des échecs. Le succès est une question d'amélioration continue, il ne s'agit pas de réussir du premier coup.

J'ai donné une conférence il y a quelques années où une entreprise mondiale de services financiers a parlé d'un agent qu'elle avait créé pour aider les employés des centres d'appels à s'intégrer plus rapidement. J'ai demandé comment ils mesuraient le succès. La réponse a été : « Ce n'était pas le but. Le but était de permettre à mon équipe d'acquérir de l'expérience en matière de développement. »

Cet état d'esprit m'a marqué. Les entreprises qui adoptent cette attitude sont celles qui vont l'emporter.

Catherine : L'état d'esprit de croissance.

Craig : Exactement.

Réflexion finale

Ce qui m'a le plus marqué dans cette conversation, c'est que l'IA agentique ne récompense pas les raccourcis. Les organisations qui progressent le plus vite ne sont pas celles qui omettent les parties difficiles. Elles font le travail ingrat sur les données, l'identité, la gouvernance et la documentation, et elles investissent tôt dans le développement de leurs capacités internes.

Les systèmes agentiques ne changent pas seulement ce que la technologie peut faire. Ils placent la barre plus haut quant au niveau de préparation nécessaire à une organisation pour bien les utiliser.

Pour en savoir plus sur la création d'un modèle opérationnel efficace, téléchargez le Modèle de maturité IA de Databricks. 

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original