Automatisation avec des agents d’IA

Face à tant d’enthousiasme autour de l’IA générative axée sur les chatbots comme ChatGPT et les outils de création d’images tels que Midjourney ou Grok2, il est facile de passer à côté des opportunités d’automatisation plus larges que présentent les grands modèles de langage (LLM).

Alors que les chatbots d’IA peuvent considérablement renforcer la productivité individuelle, débloquer la productivité à l’échelle de l’entreprise nécessite une approche différente qui va au-delà du chatbot. En règle générale, les chatbots fonctionnent comme un « cerveau dans un bocal » : ils sont limités à ce qu’ils savent sur la base de leurs données d’entraînement. Ils ne sont pas au courant des derniers événements survenus après leur entraînement et ne peuvent pas accéder aux données de l’entreprise protégées par des pare-feu.

Pour remédier à ces lacunes, des techniques telles que la génération augmentée par récupération (RAG) peuvent être appliquées pour intégrer des résultats de recherche Internet en temps réel, des documents commerciaux ou des données provenant de systèmes CRM, ancrant l’IA sur des informations plus récentes et contextuellement pertinentes. Cette approche améliore la précision des réponses du modèle d’IA et réduit les hallucinations (lorsque l’IA comble les lacunes de ses connaissances par des résultats plausibles mais factuellement erronés).

Cependant, une véritable automatisation intelligente d’une entreprise ou d’un flux de travail nécessite plus que la simple production d’un résultat. Les modèles d’IA doivent être capables de réagir à des événements et de déclencher des actions en fonction des données qu’ils évaluent. Cette approche proactive est essentielle pour créer des systèmes qui démontrent un comportement intelligent et génèrent des résultats commerciaux tangibles.

Des grands modèles de langage aux agents IA

C’est là qu’interviennent les agents IA. Les chatbots d’IA générative peuvent vous aider à créer, synthétiser, découvrir et apprendre. Les agents IA, à l’inverse, sont conçus pour agir : ils associent la puissance des LLM pour évaluer les données et prédire un résultat souhaité (le mot ou le pixel suivant dans une séquence), avec la capacité d’agir grâce à l’automatisation.

Les agents IA fusionnent l’intelligence et l’automatisation, créant ainsi des systèmes autonomes conçus pour fonctionner de manière indépendante, prendre des décisions et s’adapter à des environnements changeants. Les agents IA promettent de relever l’un des défis de longue date en matière d’automatisation, à savoir la fragilité de l’automatisation robotisée des processus (RPA) traditionnelle. Supposons qu’un processus automatisé rencontre une erreur, un document ou un point de données qu’il n’est pas configuré pour traiter. Dans ce cas, le processus entre en état d’exception, nécessitant souvent une correction humaine coûteuse.

En associant la polyvalence et les capacités de raisonnement des grands modèles de langage aux flux de travail et à l’automatisation robotisée des processus, les agents IA peuvent automatiser les tâches nécessitant une planification à long terme et une interaction dans des environnements complexes et dynamiques, marquant un progrès significatif vers la réalisation des objectifs d’automatisation et de traitement direct des entreprises.

Principales caractéristiques des agents IA

Les agents IA présentent plusieurs caractéristiques clés, qu'ils soient conçus pour des tâches en monde ouvert (où ils disposent d'une grande liberté en termes d'outils et d'approches pour atteindre un résultat) ou créés pour fonctionner uniquement dans le cadre de garde-fous stricts, avec un ensemble limité d'options à leur disposition. Ces caractéristiques incluent :

• Autonomie : les agents IA fonctionnent de manière indépendante, prennent des décisions et exécutent des tâches sur la base de buts prédéfinis ou d’objectifs générés dynamiquement, en s’adaptant à des environnements changeants sans intervention humaine.
• Orientés objectifs : les agents IA sont conçus sur la base d’objectifs spécifiques et s’efforcent de les atteindre de manière efficace.
• Interactivité : les agents IA peuvent interagir avec divers composants du flux de travail, tels que les sources de données, les robots de RPA, les API d’autres systèmes logiciels et même les utilisateurs humains, afin de recueillir des informations, de prendre des décisions et d’exécuter des tâches.

Framework pour la gestion des agents IA

Une structure robuste est essentielle pour utiliser efficacement les agents IA. Cette structure doit intégrer les facteurs clés suivants :

• Entrées et sorties : les documents, données et prompts utilisateur utilisés pour configurer dynamiquement et contextualiser le flux de travail de l’agent IA.
• Actions et règles autorisées : les actions, les fonctionnalités ou les API que l’agent est autorisé à utiliser, et les règles pour orienter le comportement de l’agent.
• Structure de l'agent : la structure sous-jacente qui soutient la création et le fonctionnement des agents IA.
• Flux de travail : les processus par lesquels les agents IA opèrent et comment ils sont gérés. Les structures doivent également déterminer quand une automatisation est achevée et si une intervention humaine est nécessaire.
• Accord de niveau de service : les normes de performance convenues pour garantir que les agents IA répondent aux attentes en matière de vitesse, de précision et de fiabilité.
• Système de sécurité : mécanismes garantissant que les agents IA opèrent dans des limites sûres et éthiques.
• Historique d’audit : un enregistrement des actions effectuées par les agents IA pour assurer la responsabilité et la transparence.

Le cadre idéal est facile à mettre en œuvre et ne demande qu’une formation limitée, permettant aux utilisateurs professionnels sans connaissances techniques approfondies de créer leurs propres agents IA et automatisations à l’aide d’interfaces utilisateur de chat no-code et d’un copilote. De plus, compte tenu du rythme de l’innovation dans le domaine de l’IA, les cadres doivent fonctionner indépendamment de tout modèle de langage volumineux spécifique pour éviter une dépendance à long terme des fournisseurs.

Une intégration transparente avec une plateforme d’automatisation existante peut également être bénéfique. L’ajout de nouveaux agents IA aux processus d’automatisation et aux flux de travail existants accélère souvent le retour sur investissement alimenté par l’IA.

Créer des agents IA avec TotalAgility

Les plateformes d’automatisation intelligentes comme TotalAgility prennent facilement en charge les agents IA. Nous proposons deux approches pour créer des agents IA dans TotalAgility, notamment :

Processus alimentés par l’IA : les processus de flux de travail qui utilisent les LLM pour prendre des décisions ou contrôler le chemin suivi par une instance du processus.

Chaque étape du flux de travail exécute une tâche spécifique, comme la récupération d’un e-mail, d’une page Web ou d’un document, ou l’extraction de données d’un système connecté via une API ou un robot. Ensuite, il demande au grand modèle de langage (LLM) d’évaluer ce contenu et ces informations sur la base de critères définis sous forme de prompts et d’instructions système. L’appel au LLM n’est qu’une étape supplémentaire dans le processus. Les prompts servent à demander au LLM de renvoyer une réponse dans un format que le flux de travail peut utiliser, par exemple sous forme de données JSON utilisant un format défini ou un booléen « vrai/faux ». Le LLM peut ainsi répondre et contrôler le flux ou le chemin emprunté dans le flux de travail.

LLM personnalisés : ceux-ci disposent d’interfaces spécifiques avec lesquelles il est possible d’interagir à l’aide de complétions de chat ou d’appels en tant que partie d’un flux de travail.

Les LLM personnalisés sont une nouvelle fonctionnalité puissante introduite dans TotalAgility 8 qui permet de créer rapidement des agents IA à l’aide d’outils low-code. En règle générale, ces modèles utilisent des modèles de base pré-entraînés, tels que GPT4 d’Open AI, et les étendent à d’autres actions automatisées telles que la recherche de contenu pertinent dans une base de connaissances de l’entreprise, l’extraction de données du CRM ou l’utilisation de résultats de recherche sur Internet pour fonder les réponses sur des données contextuelles actuelles et pertinentes. Les LLM personnalisés peuvent également intégrer des activités à chaque invocation, comme le stockage des prompts et des réponses ou la vérification des résultats générés par rapport à des critères prescrits ou même avec les résultats d’un autre LLM. Une fois créé, le LLM personnalisé peut être utilisé pour alimenter un composant de chat dans un formulaire Web ou être appelé en tant qu’étape d’activité dans un processus alimenté par l’IA.

Exemples d'agents IA

Les agents IA peuvent être adaptés aux différents besoins métier, en fournissant un large éventail de fonctionnalités pour répondre à des scénarios auparavant difficiles à automatiser. Voici quelques exemples :

• Agent RAG : cet agent utilise la génération augmentée par récupération (RAG) pour traiter les documents, les données et les résultats de recherche, en fournissant des informations ou des données synthétisées. Cela améliore la qualité des réponses des LLM et réduit l’incidence de réponses incorrectes ou hallucinées.
• Agent de réponse aux e-mails : automatise le processus de réponse aux e-mails, y compris la compréhension du contenu, la génération de réponses appropriées et leur envoi.
• Agent de recherche : associe la RAG, les capacités de recherche et le traitement des documents pour rassembler et synthétiser des informations à des fins de recherche. Des citations et des références à des contenus de soutien peuvent être ajoutées automatiquement, afin d’améliorer la transparence et la confiance dans les résultats.
• Agent de service à la clientèle : il traite les demandes des clients en répondant aux e-mails, en demandant plus d’informations si nécessaire, et en apportant des solutions ou en faisant remonter les problèmes.
• Génération de devis et de propositions : rassemble et revérifie la documentation et la correspondance requises pour les processus de demande d’informations et de demande de devis.
• Surveillance des événements : passe en revue en direct les actualités, les prix, les concurrents ou les données de renseignement, en signalant et en répondant automatiquement aux événements qui vous intéressent.

Cas d'utilisation pour les agents IA

Les agents IA peuvent être déployés dans plusieurs secteurs et fonctions afin d’améliorer l’efficacité et la productivité. Voici quelques cas d’utilisation spécifiques :

1. Assistance à la clientèle : les agents IA peuvent traiter les demandes des clients, fournir des réponses instantanées et transmettre les problèmes complexes à des agents humains, afin de réduire les temps de réponse et d’améliorer la satisfaction des clients.
2. Ventes et marketing : les agents IA peuvent analyser les données des clients, prédire les tendances et personnaliser les campagnes de marketing. Ils peuvent également automatiser les e-mails de suivi et gérer les relations avec les clients.
3. Ressources humaines : les agents IA peuvent rationaliser les processus de recrutement en sélectionnant les CV, en planifiant les entretiens et en menant les premiers entretiens. Ils peuvent également gérer l’intégration et la formation des employés.
4. Finance: les agents IA peuvent automatiser les tâches financières de routine telles que le traitement des factures, la gestion des dépenses et les rapports financiers. Ils peuvent également aider à la détection des fraudes et à la gestion des risques.
5. Santé : les agents IA peuvent contribuer à la gestion des données des patients, à la prise de rendez-vous et à la fourniture d’informations médicales. Ils peuvent également soutenir la télémédecine en facilitant les consultations virtuelles.
6. Gestion de la chaîne d’approvisionnement : les agents IA peuvent optimiser la gestion des stocks, suivre les expéditions et prévoir les perturbations de la chaîne d’approvisionnement. Ils peuvent également automatiser le traitement des commandes et la gestion des fournisseurs.

Commencer est facile

Bien que de nombreux outils et cadres basés sur du code (comme LangChain ou Azure Semantic Kernel) puissent être utilisés pour créer des agents IA par programmation, il est facile de créer des agents IA à l’aide de flux de travail low-code et d’outils d’automatisation fournis par des plateformes d’automatisation telles que TotalAgility.

Le copilote d’IA intégré peut même vous aider à modéliser la logique de votre agent IA en fonction d’une description de ce que vous voulez accomplir. Détaillez simplement les objectifs d’automatisation, les entrées (événements, contenu, données, canaux) et les sorties (actions, contenu, appels système, etc.) et le copilote créera les étapes de l’agent IA pour vous.

L'avenir des agents IA

Les agents IA représentent une avancée significative dans le domaine de l’automatisation, en combinant l’intelligence des LLM avec la capacité d’agir. En tirant parti des agents IA, les entreprises peuvent automatiser des flux de travail complexes, améliorer leur productivité et atteindre une plus grande efficacité. À mesure que la technologie continue d’évoluer, les applications potentielles des agents IA s’étendront, offrant encore plus d’opportunités d’innovation et de croissance.

En comprenant les capacités de base, les caractéristiques clés et les cas d’utilisation pratiques des agents IA, les professionnels commerciaux et technologiques peuvent mieux exploiter la puissance de l’IA pour stimuler la productivité et la transformation à l’échelle de l’entreprise.

Mais le potentiel des agents IA ne s’arrête pas là. Bien qu’un seul agent IA puisse accomplir beaucoup de choses, la combinaison de plusieurs agents d’IA au sein d’équipes collaboratives permet à chaque agent d’apporter son expertise spécifique aux différentes étapes d’un processus métier. Concevoir des agents IA modulaires et réutilisables permet aux agents de résoudre des problèmes plus vastes et plus complexes dans un cadre organisé, ce qui garantit une coordination harmonieuse et une efficacité optimisée. Concevoir des agents IA modulaires et réutilisables permet aux équipes d’agents de fonctionner comme des unités adaptables visant à atteindre un objectif commun, donnant ainsi lieu aux possibilités illimitées d’une automatisation avancée pilotée par l’IA. Grâce aux équipes d’agents, les possibilités d’automatisation alimentées par l’IA sont infinies.