L'IA, une promesse qui reste à réaliser ?
L'Intelligence Artificielle est une réalité opérationnelle et un moteur de transformation majeur pour les organisations. En permettant aux machines de simuler des capacités cognitives humaines, l'IA remodèle fondamentalement la manière dont les organisations fonctionnent, interagissent avec leurs clients ou usagers et créent de la valeur. Pourtant son essor au sein des organisations reste décevant par rapport aux attentes générées par les offres grand public.
Un récent rapport du MIT* indique que malgré un investissement massif estimé entre 30 et 40 milliards de dollars dans l'IA générative, seulement 5 % des organisations obtiendraient un retour concret. Ce chiffre de 5 % est accablant dans un contexte où l'IA démontre ses extraordinaires capacités et est adoptée simplement pour des usages de plus en plus variés et complexes. Ce même rapport indique que 40 % des projets s'appuyant sur l'IA « General Purpose » (ex. ChatGPT, Claude) ont un retour positif. Parmi les raisons invoquées : la flexibilité, la simplicité et l'utilité directement perceptible des outils grand public.
Faire entrer la dynamique des offres « General Purpose » au cœur des organisations.
Les forces de l'IA « General Purpose »
- Simple : un accès facile à une application puissante.
- Quasi-gratuite : coûts d'usage marginaux pour l'utilisateur.
- Apprenante : mémoire des conversations.
- Évolutive : versions remplacées en transparence.
Les contraintes des organisations
- Accès : l'agent IA doit accéder aux données et applications, en respectant les droits.
- Gouvernance & souveraineté : maîtriser qui accède à quoi, éviter les fuites de données, suivre le cycle de vie des agents.
- UX évoluée : rester universel tout en s'enrichissant pour des cas d'usage métiers.
Ce qui empêche un déploiement fluide en entreprise.
Vitesse
Les projets d'IA sont trop longs. Une partie « informatique » liée au déploiement de l'infrastructure et des couches non fonctionnelles (administration, sécurité, observabilité, etc.) hérite naturellement des contraintes de toute application en entreprise. Mais les évolutions du noyau d'IA et l'ajout incrémental de nouveaux cas d'usage peuvent et doivent être accélérés.
UX
Une des clés de la réussite de ChatGPT, depuis reprise par les autres fournisseurs de modèles, réside dans la simplicité et l'universalité de son interface. L'interface dans le monde de l'entreprise doit être guidée par ce principe de simplicité et d'universalité, en intégrant des spécificités mineures pour assurer une intégration fluide dans les processus métier.
Confiance
La confiance est clé à la fois dans la qualité de ce qui est produit par l'IA et dans le contrôle du qui-accède-à-quoi, et en particulier en étendant ces contrôles aux agents IA.
Une architecture en trois couches qui décorrèle les évolutions.
Une couche transverse aux différents cas d'usage
Elle contient essentiellement la partie « logicielle » (administration, gestion des accès et des rôles, UX/UI, connecteurs, etc.) avec une vitesse d'évolution faible, une capacité d'apprentissage sur la base des usages et des fonctionnalités de fondation, mais peu spécifiques.
Une couche agent qui porte la logique métier
La définition des agents s'appuie sur le concept de skills et de plugins proposé initialement par Anthropic : les agents sont spécifiés dans des dossiers selon un format normalisé et peuvent être consommés par les plateformes d'IA compatibles. Les agents peuvent donc provenir de plusieurs sources : spécifiques et dédiés à l'organisation, ou open source (ex. les plugins de gestion de documents d'Anthropic). Chaque utilisateur a accès à des agents en fonction de son rôle. Les agents peuvent être développés en interne, par des tiers ou par Hexamind.
Une couche LLM noyau
En fonction des contraintes de souveraineté, les modèles peuvent être publics mondiaux (ex. OpenAI, Mistral), souverains ou privés sur la base des modèles open source (ex. Deepseek, Mistral). Le choix du LLM peut se faire dynamiquement en fonction des agents et des utilisateurs.
En phase de build, les agents s'ajoutent de manière incrémentale. En phase de run, l'utilisateur dispose d'une interface unique, bénéficiant de la coopération de plusieurs agents en toute transparence. De nouvelles fonctionnalités peuvent être apportées sans changer l'interface.
Cas d'usage bancaire
Quels gains apportés par l'approche en trois couches pour accélérer le déploiement de nouvelles applications agentiques ?
Lire la suite
Le schéma ci-dessous illustre des agents vus d'un employé bancaire qui dispose d'une interface unique pour différents usages.
De nouvelles fonctionnalités peuvent être apportées en définissant de nouvelles compétences (ex. agents, skills ou plugins) sans que l'interface soit changée pour l'utilisateur. Cette architecture permet donc de faire évoluer de manière transparente et fluide le système d'information de l'organisation.
Hexamind vous accompagne à chaque étape.
- Nous accompagnons la démarche globale et la définition de l'architecture générale.
- Nous mettons en place les fondations transverses à partir de notre socle Pascal.
- Nous développons des agents spécifiques à vos cas d'usage. Le code devient votre propriété.