IA agentique et IA générative
L'IA agentique et l'IA générative améliorent la productivité en facilitant et en optimisant les tâches et les processus. Ces deux formes d'intelligence artificielle s'appuient sur de grands modèles de langage (LLM).
L'IA agentique est proactive, tandis que l'IA générative est réactive.
- L'IA agentique est un système capable de fixer et d'atteindre des objectifs de manière proactive, presque sans intervention humaine. Si un objectif implique de créer des contenus, ce sont les outils d'IA générative qui se chargent de cette tâche. L'IA agentique devient un agent de l'utilisateur et/ou du système.
- L'IA générative est un outil qui crée des contenus sur la base d'une instruction. Elle peut faire partie d'un système agentique, mais elle ne réalise aucune tâche de manière autonome. Elle n'a pas la faculté d'agir seule.
L'IA agentique et l'IA générative se complètent. Les systèmes agentiques peuvent utiliser des modèles génératifs afin de dialoguer avec un utilisateur, de créer des contenus de manière indépendante pour atteindre un objectif plus large ou de communiquer avec des outils externes. L'IA générative joue donc un rôle essentiel dans le processus « cognitif » de l'IA agentique.
Différences
La distinction entre IA agentique et IA générative n'est pas forcément évidente. Les deux se présentent le plus souvent sous la forme d'un dialogueur (ou chatbot) et répondent aux demandes ou instructions d'un utilisateur. En outre, de plus en plus d'applications autrefois purement génératives évoluent vers une forme hybride qui inclut des éléments agentiques.
Par exemple, de nombreuses plateformes de dialogueur très utilisées (ChatGPT, Gemini, Claude, etc.) lancent automatiquement une recherche sur le Web, analysent les données et les renvoient dans le cadre de la conversation. Il s'agit d'une forme primitive d'IA agentique.
Différences dans la capacité à agir indépendamment et à collaborer avec des outils externes
Le cas d'utilisation suivant permet de mieux comprendre la différence entre ces deux technologies.
Un représentant commercial souhaite utiliser l'IA pour rédiger un e-mail de suivi à l'attention d'un client potentiel.
Avec l'IA générative, le représentant commercial ouvre une interface et saisit une instruction générative, par exemple : « Écris un e-mail de suivi poli et professionnel à Maria Wang à propos de notre proposition ». L'outil produit instantanément une ébauche d'e-mail et atteint ainsi son objectif. Il revient maintenant au représentant de copier ce texte, de le coller dans un e-mail, de saisir l'adresse du destinataire et d'envoyer le message.
L'IA agentique va traiter cette tâche autrement.
Avec un système agentique, le représentant commercial définit une règle ou une commande dans son système de gestion de la relation client, par exemple : « Pour tout client potentiel auquel j'attribue la mention "Suivi requis", attendre deux jours ouvrables, puis envoyer un e-mail de suivi ».
Si le représentant commercial attribue la mention « Suivi requis » à Maria Wang, le workflow agentique se déclenche. Le système suit les instructions fournies (l'instruction générative initiale) et élabore indépendamment un plan à mettre en œuvre avec l'aide d'outils externes. Voici un exemple de plan :
1) Après deux jours ouvrables, le système envoie une demande au workflow agentique.
2) Le système récupère les informations de Maria Wang dans la base de données.
3) Un autre outil cherche des données supplémentaires sur Maria Wang (historique client, détails personnalisés, informations sur l'entreprise, etc.) afin d'ajouter du contexte à l'instruction générative qui lance la rédaction de l'e-mail de suivi.
4) Le système génère une instruction pour l'e-mail de suivi et la transmet à un modèle d'IA générative intégré, qui rédige le message.
5) Le système fournit une ébauche d'e-mail de suivi au représentant commercial, qui la valide ou la renvoie pour modification.
6) En cas de validation, le système envoie un appel d'API au service de messagerie de Maria Wang.
7) Le système envoie l'e-mail à Maria Wang.
8) Le système met à jour le logiciel de gestion de la relation client pour indiquer que l'e-mail a bien été envoyé.
Différences dans la capacité d'adaptation
Ces deux formes d'IA ont chacune leur manière de s'adapter. L'IA générative va produire des contenus dans des styles variés et pour différents contextes. L'IA agentique peut ajuster ses plans et stratégies en fonction de l'évolution des conditions de l'environnement ou des nouvelles informations reçues.
L'IA agentique fournit un cadre aux charges de travail qui entraient auparavant dans la catégorie de l'automatisation robotisée des processus. Avec l'IA, les agents peuvent s'adapter aux changements apportés à leur environnement d'exécution. Par exemple, les bots de capture de données d'écran deviennent inefficaces à la moindre modification du site cible, tandis que l'IA agentique peut s'y adapter et ajuster son approche de collecte des données. Les agents basés sur l'IA peuvent ainsi fonctionner dans des situations qui nécessitaient jusqu'ici une intervention humaine.
Compréhension du contexte
L'IA agentique s'appuie sur le contexte dont elle dispose pour agir. Ces systèmes ont accès aux éléments suivants :
- L'instruction générative initiale
- L'état ou les conditions de l'environnement numérique ou physique
- Les outils disponibles (accès aux API, application d'IA générative, etc.)
- La mémoire et les actions passées
Avec toutes ces informations et des formules mathématiques qui l'aident à parcourir les données, un système agentique peut comprendre le contexte, « raisonner » et agir.
Pour l'IA générative, le contexte sert à créer des contenus. Voici ce qu'utilisent ces outils pour atteindre leur objectif :
- L'instruction générative
- L'historique de conversation
- Les données utilisées pour leur entraînement
Grâce à ces informations, ainsi qu'aux techniques d'apprentissage automatique et aux algorithmes d'apprentissage profond, l'IA générative peut extraire des informations, établir des connexions et produire un résultat.
4 principes clés à prendre en compte pour mettre en œuvre des technologies d'IA
L'IA agentique, qu'est-ce que c'est ?
L'IA agentique est un système logiciel conçu pour interagir avec les données et les outils sans intervention humaine, ou presque. Elle privilégie un comportement axé sur les objectifs et accomplit des tâches en établissant les étapes nécessaires et en les suivant de façon autonome. L'IA agentique est capable de fixer ses propres objectifs, de déléguer des tâches à d'autres agents IA ou outils externes, ainsi que de s'adapter à des conditions nouvelles ou non structurées pour lesquelles elle n'a pas été entraînée.
Un agent IA est un composant d'un système agentique, comme une entité qui repose sur d'autres outils logiciels et qui les exploite. L'IA agentique peut prendre la forme d'une structure physique, d'un programme logiciel ou bien d'une association des deux.
Dans un système robotique, les agents IA peuvent utiliser les caméras, les capteurs et les moniteurs pour recueillir des données sur leur environnement, puis exploiter ces informations en parallèle de logiciels afin de déterminer les prochaines étapes à réaliser. Par exemple, dans le cas d'un véhicule autonome, c'est un agent IA qui décide de freiner ou non en cas de détection de débris sur la route.
Dans une configuration logicielle, les agents IA recueillent des données à partir d'autres sources (API, recherches en ligne, instructions génératives, bases de données, etc.), qui leur permettent de se forger une perception et de comprendre le contexte. Dans l'exemple de cas d'utilisation du début, c'est justement un système logiciel qu'utilise l'employé qui souhaite automatiser le processus d'envoi des e-mails de suivi personnalisés à ses clients potentiels.
Fonctionnement de l'IA agentique
L'IA agentique peut résoudre des problèmes en trois étapes : la perception, la planification et l'action. Elle a une capacité d'« enchaînement », c'est-à-dire qu'elle peut effectuer une séquence d'actions en réponse à une demande ou instruction générative unique.
Par exemple, si un utilisateur demande à un agent IA de créer un site web, l'agent va effectuer toutes les étapes nécessaires. À partir d'une seule instruction générative, l'agent IA peut donc écrire le code de la structure du site, remplir les pages avec du contenu, concevoir les éléments visuels et tester la réactivité.
L'IA agentique réalise un projet en même temps qu'elle le gère. Elle peut surmonter tous les obstacles qu'elle rencontre et déclencher des actions, comme créer ses propres instructions pour répondre aux questions qui se posent au fur et à mesure.
Workflow agentique
Le fonctionnement de l'IA agentique repose sur un processus connu sous le nom de workflow agentique. Celui-ci peut être constitué de plusieurs agents, robots et utilisateurs orchestrés. Il s'agit d'un processus de bout en bout qui permet d'atteindre un objectif spécifique. Il établit le lien entre les mondes numérique et physique tout en intégrant la supervision humaine.
Un workflow agentique est une série structurée d'actions que des agents IA gèrent et exécutent, parfois avec une intervention humaine. Lorsqu'ils reçoivent un objectif, ces agents commencent par diviser la tâche en plusieurs étapes avant de les suivre.
Pour accomplir ces actions, un agent IA va activer plusieurs versions de lui-même afin de créer un système multi-agent. Dans ce workflow, l'agent principal (aussi appelé orchestrateur ou superviseur) peut créer d'autres agents et leur déléguer des tâches. Pour ce faire, il assigne des valeurs et interagit avec la mémoire dans le cadre d'une boucle de rétroaction. Tous ces agents travaillent en parallèle jusqu'à ce qu'ils atteignent l'objectif initial.
Au sein du système multi-agent, chaque agent est composé d'une structure interne qui lui permet de fonctionner à la fois indépendamment et avec le reste du système. Cette collaboration repose sur des espaces de mémoire partagés, qui fournissent du contexte sur les connaissances individuelles, les expériences passées et les états des croyances.
Cas d'utilisation de l'IA agentique
L'IA agentique excelle dans la résolution des problèmes et la prise de décisions dynamiques. Il existe divers cas d'utilisation propres à chaque secteur d'activité :
Fabrication : les workflows agentiques peuvent aider à gérer les chaînes d'approvisionnement, à optimiser l'inventaire, à prévoir la demande et à anticiper les besoins logistiques.
Santé : l'IA agentique peut suivre les besoins des patients, planifier des traitements et fournir une assistance personnalisée.
Développement de logiciels : l'IA agentique peut générer automatiquement du code de débogage, gérer le cycle de développement et concevoir l'architecture système.
Assistance personnalisée aux équipes : l'IA agentique est capable d'adapter son approche quand la situation évolue afin d'offrir une assistance personnalisée et proactive. Elle peut ainsi aider à planifier des tâches, à répondre à des questions et à intégrer de nouveaux membres.
Gestion des risques financiers : l'IA agentique peut analyser les tendances du marché, prendre des décisions financières et adapter la stratégie des entreprises sur la base de données disponibles en temps réel.
IA générative
L'IA générative est un type d'intelligence artificielle capable de produire des contenus, comme du texte, des vidéos, des enregistrements audio et du code logiciel. Elle utilise l'apprentissage profond pour calculer les relations statistiques entre les mots et génère des sorties en fonction de ses données d'entraînement, des schémas qu'elle reconnaît et des probabilités.
L'IA générative est réactive : elle a besoin d'une requête spécifique pour générer une réponse. Elle ne peut pas fixer ses propres objectifs, déléguer des tâches ou s'adapter à des conditions nouvelles ou non structurées.
Les contenus qu'une application d'IA générative peut créer sont limités par les données avec lesquelles elle a été entraînée. Il existe cependant des techniques pour améliorer la précision des résultats, notamment la génération augmentée de récupération, qui intègre des sources de données externes.
Cas d'utilisation de l'IA générative
L'IA générative aide les utilisateurs à prendre des décisions en fournissant des informations et en suggérant différentes options. Il existe plusieurs cas d'utilisation :
Rédaction : les outils d'IA générative parviennent à créer des contenus écrits en réponse à des instructions sur presque tous les sujets. Ils savent s'adapter à différentes longueurs de texte et différents styles de rédaction.
Génération d'images et de vidéos : les outils d'édition d'images basés sur l'IA générative peuvent produire des images de haute qualité et modifier des œuvres existantes. Certains sont aussi capables de générer une courte vidéo à partir d'une instruction générative.
Génération audio (discours et musique) : à partir d'un texte écrit et de l'enregistrement audio de la voix d'une personne, les outils vocaux basés sur l'IA sont capables de créer un discours ou un chant reproduisant les sons émis par les humains. D'autres outils peuvent créer de la musique à partir d'instructions génératives ou d'extraits.
Génération et complétion de code : à partir d'une instruction écrite, certains outils d'IA générative peuvent produire du code informatique à la demande pour aider les équipes de développement de logiciels.
Augmentation des données : l'IA générative permet de créer une grande quantité de données synthétiques lorsqu'il est impossible ou déconseillé d'utiliser des données réelles. Les données synthétiques peuvent s'avérer utiles pour entraîner un modèle à comprendre des informations confidentielles, sans inclure de données à caractère personnel. De plus, ces outils peuvent enrichir ou compléter un ensemble de données afin d'obtenir un plus grand ensemble de données synthétiques à des fins d'entraînement ou de test.
Particularités en matière de gouvernance, de sécurité et de fiabilité
La principale crainte liée à l'IA agentique concerne la définition de la responsabilité en cas d'erreur commise par un système autonome. Il est essentiel de trouver le juste équilibre entre autonomie et supervision.
Collaboration entre l'IA et l'utilisateur
Avant de mettre en œuvre un système agentique, il faut encadrer la responsabilité, la transparence et le contrôle.
Dans le cas du représentant commercial qui utilise l'IA pour envoyer un e-mail à un client potentiel, le contrôle intervient lorsque l'employé révise l'e-mail généré par le système avant son envoi.
L'IA agentique peut prendre des décisions de manière indépendante, avec une intervention manuelle limitée. Cette efficacité ne s'obtient toutefois qu'en renonçant à un contrôle total. Pour éviter cette perte de maîtrise, il est possible d'allouer des ressources aux tests et à la validation. Cette approche implique l'intervention d'un utilisateur qui va superviser les actions et éviter les mauvais choix.
Les mêmes questions de fiabilité et de sécurité doivent se poser avant la mise en œuvre de systèmes d'IA générative. Le risque le plus évident que présentent ces systèmes est la désinformation, qu'elle soit volontaire ou non. L'IA générative peut être exploitée pour propager des biais et des stéréotypes dangereux, ou pour créer des « deepfakes », ces images truquées à des fins malveillantes. Il faut également se méfier des « hallucinations » (des résultats inexacts qui semblent vrais à première vue) et vérifier les faits au lieu de se fier aveuglément aux réponses données.
Confidentialité et sécurité
Parce qu'elle peut accéder à des bases de données externes, l'IA agentique augmente les risques d'atteinte à la confidentialité. Il est donc nécessaire de mettre en place des structures de sécurité pour protéger les données qui entrent et sortent du workflow.
L'IA générative représente également un risque pour la sécurité. Par exemple, des utilisateurs peuvent saisir des données sensibles dans des applications peu sécurisées. De plus, l'IA générative peut introduire des risques de nature juridique en reproduisant des documents protégés par des droits d'auteur ou en s'appropriant la voix ou l'identité d'une personne sans son consentement.
Nos solutions
Notre gamme de produits Red Hat® AI repose sur des solutions que nos clients utilisent déjà en toute confiance. C'est ce qui permet à nos produits de rester fiables, flexibles et évolutifs.
Red Hat AI offre les avantages suivants :
- Adoption de l'IA et innovation
- Simplification de la distribution des solutions d'IA
- Possibilité de déploiement dans tous les environnements
Une base pour relever tous les défis
Les solutions Red Hat AI prennent en charge les fonctionnalités d'IA générative et prédictive. Nous aidons les entreprises à entraîner et régler leurs propres modèles de fondation en fonction de leurs besoins spécifiques.
La plateforme de modèles de fondationRed Hat Enterprise Linux® AI est un bon point de départ pour les entreprises qui souhaitent développer, tester et exécuter de petits et grands modèles de langage pour leurs applications. Cette plateforme d'IA offre aux équipes de développement un accès rapide à un environnement de serveur qui réunit à lui seul des LLM et des outils d'IA. Elle fournit tout le nécessaire pour régler les modèles et assembler des applications d'IA générative.
Red Hat OpenShift® AI fournit une plateforme unifiée qui facilite la création de systèmes multi-agents. De plus, les fonctionnalités MLOps de Red Hat OpenShift permettent de contrôler les processus adaptatifs d'apprentissage et de raisonnement qu'utilisent les agents IA.
Notre écosystème de partenaires pour l'IA ne cesse de croître. Divers partenaires technologiques s'efforcent d'obtenir une certification de compatibilité avec les solutions Red Hat AI, ce qui offre une grande liberté de choix aux entreprises.
Se lancer avec l'IA en entreprise : guide pour les débutants
Consultez ce guide pour les débutants afin de savoir comment les solutions Red Hat OpenShift AI et Red Hat Enterprise Linux AI peuvent accélérer votre parcours d'adoption de l'IA.
